来源：https://www.cnblogs.com/nickchen121/
01部分 机器学习基础
02部分 监督学习
02-02 感知机原始形式(鸢尾花分类)
02-03 感知机对偶形式(鸢尾花分类)
02-04 线性回归
02-05 scikit-learn库之线性回归
02-06 普通线性回归(波斯顿房价预测)+特征选择
02-07 多元线性回归(波士顿房价预测)
02-08 多项式回归(波士顿房价预测)
02-09 对数线性回归(波士顿房价预测)
02-10 正则化线性回归(波士顿房价预测)
02-11 RANSAC算法线性回归(波斯顿房价预测)
02-12 Logistic(逻辑)回归
02-13 Softmax回归
02-14 scikit-learn库之逻辑回归
02-15 Logistic回归(鸢尾花分类)
02-16 k近邻算法
02-17 kd树
02-18 scikit-learn库之k近邻算法
02-19 k近邻算法(鸢尾花分类)
02-20 kd树(鸢尾花分类)
02-21 决策树ID3算法
02-22 决策树C4.5算法
02-23 决策树CART算法
02-24 决策树总结
02-25 scikit-learn库之决策树
02-26 决策树(鸢尾花分类)
02-27 朴素贝叶斯
02-28 scikit-learn库之线朴素贝叶斯
02-29 朴素贝叶斯(垃圾邮件分类)
02-30 线性可分支持向量机
02-31 线性支持向量机
02-32 线性支持向量9-机(鸢尾花分类)
02-33 非线性支持向量机
02-34 非线性支持向量机(鸢尾花分类)+自定义数据分类
02-35 scikit-learn库之支持向量机
02-36 支持向量回归
02-37 支持向量机总结
03部分 无监督学习#
04部分 集成学习#
04-01 集成学习基础
04-02 AdaBoost算法
04-03 scikit-learn库之AdaBoost算法
04-04 AdaBoost算法代码(鸢尾花分类)
04-05 提升树
04-06 梯度提升树
04-07 scikit-learn库之梯度提升树
04-08 梯度提升算法代码(鸢尾花分类)
04-09 XgBoost算法
04-10 Bagging和随机森林
04-11 随机森林代码(葡萄酒质量检测)
04-12 scikit-learn库之随机森林
05部分 特征工程#
05-01 特征预处理
05-02 特征选择
05-03 主成分分析(PCA)
05-04 scikit-learn库之主成分分析
05-05 主成分分析代码(手写数字识别)
05-06 模型选择
06部分 深度学习#
07部分 推荐系统#
07-01 推荐系统常用度量指标
07-02 基于协同过滤的推荐算法
08部分 sklearn实战#
08-00 课程习得
08-01 通过线性回归了解算法流程
08-02 机器学习算法原理
08-03 细分构建机器学习应用程序的流程-流程简介
08-04 细分构建机器学习应用程序的流程-数据收集
08-05 细分构建机器学习应用程序的流程-数据预处理
08-06 细分构建机器学习应用程序的流程-训练模型
08-07 细分构建机器学习应用程序的流程-测试模型
08-08 细分构建机器学习应用程序的流程-模型优化
09部分 tensorflow实战#
附录A：优化算法#
A-01 最小二乘法
A-02 梯度下降法
A-03 牛顿法和拟牛顿法
A-04 坐标轴下降法
A-05 前向选择法和前向梯度法
A-06 最小角回归法
A-07 前向分步算法
A-08 拉格朗日对偶性
附录B：数学#
B-微积分-Sigmoid函数
B-微积分-sign(符号)函数
B-概率论-常见的概率分布模型
B-概率论-条件概率
B-概率论-极大似然估计
B-概率论-熵和信息增益
B-概率论-贝叶斯决策
B-线性代数-矩阵转置
B-线性代数-范数
B-线性代数-距离公式汇总
B-经济学-基尼指数
附录C：项目#
若有收获，就点个赞吧
0 人点赞
