机器学习

文章目录

  • 机器学习基本理论
    • 基本术语与方法
    • 特征选择概述
    • 多目标优化问题
  • 分类算法、经典算法
    • 分类算法
    • NSGA2算法
    • 粒子群优化算法(PSO)
    • 聚类算法
    • 蚁群算法(ACO)
    • 其它算法
  • 前沿算法
    • NSGA2算法
    • 前沿PSO算法
    • 差分分组算法
    • 其它算法
  • 演化计算算法
  • 协同进化/演化
  • python机器学习
  • 深度学习神经网络
  • 特征选择算法

点击上面的目录链接可快速定位所需内容,点击每个文章链接可全文查看。

本页面一周一更新,无新文章不更新,上次更新2018年4月18日。


机器学习基本理论

基本术语与方法

机器学习术语表

机器学习领域权威会议与期刊整理

机器学习中一些模型为什么要对数据归一化?

机器学习数据集划分及交叉验证的选择

深度学习和经典机器学习对比

机器学习相似性度量(距离度量)

收敛性变量与多样性变量的区别

机器学习非平衡数据集概述

ROC曲线/AUC曲线与混淆矩阵介绍

高斯变异

监督学习与无监督学习

朴素贝叶斯分类器

最大互信息系数(MIC)详解

MIC(最大互信息系数)的计算

特征选择概述

特征选择的基本方法概述

特征选择与特征提取(降维)

特征选择方法与理解

多目标优化问题

多目标优化问题详解

Pareto最优解几点解释

多目标优化问题概述

多目标进化算法的一般流程

非支配排序算法通用MATLAB代码


分类算法、经典算法

分类算法包括KNN、SVM算法和聚类算法、当然像遗传算法、PSO算法都是很流行的。

分类算法

决策树概述

朴素贝叶斯分类器

KNN算法概述

KNN算法MATLAB实现

MATLAB中SVM(支持向量机)的用法

Python支持向量机(SVM)实例

NSGA2算法

NSGA-II多目标遗传算法概述

NSGA2算法MATLAB实现(能够自定义优化函数)

NSGA2算法特征选择MATLAB实现(多目标)

NSGA-Ⅱ算法Matlab实现(测试函数为ZDT1)

NSGA-Ⅱ算法C++实现(测试函数为ZDT1)

NSGA-II快速非支配排序算法理解

随机固定分组合作协同进化NSGA2算法(CCNSGA2)

粒子群优化算法(PSO)

MATLAB粒子群优化算法实现(PSO)

粒子群优化(PSO)算法概述

Python粒子群优化算法实现(PSO)

随机固定分组合作协同进化PSO算法(CCPSO)

PSO算法特征选择MATLAB实现(单目标)

基于柯西和高斯分布的单目标PSO

聚类算法

k-means算法概述

MATLAB工具箱k-means算法

蚁群算法(ACO)

蚁群算法(ACO)最短路径规划(MATLAB)

蚁群算法(ACO)MATLAB实现

其它算法

模拟退火算法(SAA)C语言与MATLAB实现

变邻域搜索算法(Variable Neighborhood Search,VNS)


前沿算法

本部分展现的论文中讨论和提出的机器学习算法。

NSGA2算法

NSGA-II多目标遗传算法概述

NSGA2算法MATLAB实现(能够自定义优化函数)

NSGA2算法特征选择MATLAB实现(多目标)

NSGA-Ⅱ算法Matlab实现(测试函数为ZDT1)

随机固定分组合作协同进化NSGA2算法(CCNSGA2)

NSGA-Ⅱ算法C++实现(测试函数为ZDT1)

前沿PSO算法

基于粒子交互学习策略的PSO算法(IIL-PSO)

基于柯西和高斯分布的单目标PSO

多目标CSO算法(MOCSO)理解

差分分组算法

差分分组合作协同进化MATLAB代码

差分分组的合作协同进化的大规模优化算法概述

一个更快更准确的差分分组大规模黑盒子优化算法概述

其它算法

超启发式算法

马尔科夫毯(Markov Blankets)

变邻域搜索算法(Variable Neighborhood Search,VNS)

基于VNS及马尔科夫毯分组的高维特征选择算法

自我评价算法(SEE)框架


演化计算算法

演化计算是模拟自然界中的生物的演化过程产生的一种群体导向的随机搜索技术和方法。

基于粒子交互学习策略的PSO算法(IIL-PSO)

粒子群优化(PSO)算法概述

Python粒子群优化算法实现(PSO)

基于柯西和高斯分布的单目标PSO

多目标CSO算法(MOCSO)理解

演化计算基本方法与思想

基于量子遗传的函数寻优算法MATLAB实现

人工鱼群算法MATLAB实现

蚁群算法(ACO)最短路径规划(MATLAB)

蚁群算法(ACO)MATLAB实现


协同进化/演化

协同演化算法(coevolutionary algorithms,CEA)是当前国际上计算智能研究的一个热点,它运用生物协同演化的思想,是针对演化算法的不足而兴起的,通过构造两个或多个种群,建立它们之间的竞争或合作关系,多个种群通过相互作用来提高各自性能,适应复杂系统的动态演化环境,以达到种群优化的目的。

合作协同进化算法概述(Cooperative Coevolution)

广义协同进化算法概述

合作协同进化详解及伪代码

随机固定分组合作协同进化NSGA2算法(CCNSGA2)

随机固定分组合作协同进化PSO算法(CCPSO)

差分分组合作协同进化MATLAB代码

差分分组的合作协同进化的大规模优化算法概述


python机器学习

python机器学习只适合做小规模的算法和简单神经网络,适合入门新手学习,由于Python的效率极低,一般前沿研究中不使用Python进行大数据学习。因此下面很多算法是基于Python模块编写的机器学习代码。

Python支持向量机(SVM)实例

Python机器学习房价预测 (斯坦福大学机器学习课程)

Python粒子群优化算法实现(PSO)

NLTK在python中对文字所表达的情感预测

Python机器学习与拼写检查器

Python英文搜索引擎(模糊搜索)

基于词典的社交媒体内容的情感分析(Python实现)


深度学习神经网络

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。

深度学习和经典机器学习对比

神经网络模型详解


特征选择算法

特征选择( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ),或属性选择( Attribute Selection )。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化,是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤。对于一个学习算法来说,好的学习样本是训练模型的关键。

机器学习如何做特征选择实验

特征选择方法与理解

特征选择的基本方法概述

特征选择与特征提取(降维)

SFS与SBS特征选择算法

基于MIC(最大互信息系数)的特征选择

NSGA2算法特征选择MATLAB实现(多目标)

PSO算法特征选择MATLAB实现(单目标)

基于VNS及马尔科夫毯分组的高维特征选择算法

你可能感兴趣的:(机器学习,徐奕的专栏,机器学习,机器学习)