統計機器學習

第一篇 優化演算法

001 梯度下降（GradientDescent）小結

002 最小二乘法小結

第二篇 模型優化引數

003 交叉驗證(CrossValidation)原理小結

004 精確率與召回率，RoC曲線與PR曲線

第三篇 線性迴歸

005 線性迴歸原理小結

006 scikit-learn和pandas基於windows單機機器學習環境的搭建

007 用scikit-learn和pandas學習線性迴歸

008 Lasso迴歸演算法：座標軸下降法與最小角迴歸法小結

009 用scikit-learn和pandas學習Ridge迴歸

010 scikit-learn線性迴歸演算法庫小結

第三篇 邏輯迴歸

011 邏輯迴歸原理小結

012 scikit-learn邏輯迴歸類庫使用小結

第四篇 感知機

013 感知機原理小結

014 機器學習演算法的隨機資料生成

第五篇 決策樹

015 決策樹演算法原理(上)

016 決策樹演算法原理(下)

017 scikit-learn決策樹演算法類庫使用小結

第六篇 K近鄰法(KNN)

018 K近鄰法(KNN)原理小結

019 scikit-learnK近鄰法類庫使用小結

第七篇 樸素貝葉斯演算法

020 樸素貝葉斯演算法原理小結

021 scikit-learn樸素貝葉斯類庫使用小結

第八篇 最大熵模型

022 最大熵模型原理小結

第九篇 支援向量機

023 支援向量機原理(一)線性支援向量機

024 支援向量機原理(二)線性支援向量機的軟間隔最大化模型

025 支援向量機原理(三)線性不可分支援向量機與核函式

026 支援向量機原理(四)SMO演算法原理

027 支援向量機原理(五)線性支援迴歸

028 scikit-learn支援向量機演算法庫使用小結

029 支援向量機高斯核調參小結

第十篇 整合學習

030 整合學習原理小結

031 整合學習之Adaboost演算法原理小結

032 scikit-learnAdaboost類庫使用小結

033 梯度提升樹(GBDT)原理小結

034 scikit-learn梯度提升樹(GBDT)調參小結

035 Bagging與隨機森林演算法原理小結

036 scikit-learn隨機森林調參小結

037 XGBoost演算法原理小結

038 XGBoost類庫使用小結

第十一篇 無監督學習

039 K-Means聚類演算法原理

040 用scikit-learn學習K-Means聚類

041 BIRCH聚類演算法原理

042 用scikit-learn學習BIRCH聚類

043 DBSCAN密度聚類演算法

044 用scikit-learn學習DBSCAN聚類

045 譜聚類（spectralclustering）原理總結

046 用scikit-learn學習譜聚類

第十二篇 降維演算法

047 主成分分析（PCA）原理總結

048 用scikit-learn學習主成分分析(PCA)

049 線性判別分析LDA原理總結

050 用scikit-learn進行LDA降維

051 奇異值分解(SVD)原理與在降維中的應用

052 區域性線性嵌入(LLE)原理總結

053 用scikit-learn研究區域性線性嵌入(LLE)

第十三篇 推薦演算法

054 典型關聯分析(CCA)原理總結

055 Apriori演算法原理總結

056 FPTree演算法原理總結

057 PrefixSpan演算法原理總結

058 用Spark學習FPTree演算法和PrefixSpan演算法

059 協同過濾推薦演算法總結

060 矩陣分解在協同過濾推薦演算法中的應用

061 SimRank協同過濾推薦演算法

062 用Spark學習矩陣分解推薦演算法

063 分解機(FactorizationMachines)推薦演算法原理

064 EM演算法原理總結

第十四篇 特徵工程

065 特徵工程之特徵選擇

066 特徵工程之特徵表達

067 特徵工程之特徵預處理

第十四篇 貝葉斯個性化排序(BPR)演算法

068 貝葉斯個性化排序(BPR)演算法小結

069 用tensorflow學習貝葉斯個性化排序(BPR)

第十五篇 用PMML實現機器學習模型的跨平臺上線

070 用PMML實現機器學習模型的跨平臺上線

第十六篇 異常點檢測演算法

071 異常點檢測演算法小結