深入理解机器学习

版权声明：所有声明原创的文章版权归作者所有，任何转载、部分引用等均需提前和作者联系！ https://blog.csdn.net/hy592070616/article/details/81707766

从即日起，我将开始开始着手写作《深入理解机器学习》分类下的文章。《深入理解机器学习》不仅仅把目光局限机器学习算法的推导与实现，更多的会将目光聚焦于从数学、统计学以及统计学习的角度来深入理解机器学习算法，除此之外，我还会讨论各个机器学习算法局限与瓶颈，纵横向比较各种机器学习算法的优劣等。在详细介绍机器学习算法的同时，我还会通过Python和Scala给出相关项目的实战代码。所以，想深入学习机器学习的朋友，欢迎关注《深入理解机器学习》分类下的文章。但是《深入理解机器学习》不会涉及神经网络的相关内容，希望学习神经网络相关内容的朋友可以关注《深入理解深度学习》分类下的文章。同时，《深入理解机器学习》分类专注于讲解各个算法与模型，所以关于模型评价、偏差/方差权衡、正则化等相关内容将放到《数据科学家之路》中讲解。最后，欢迎各位朋友加入QQ群：27101048 交流讨论。

---

• 线性回归（Linear Regression）
• 广义线性模型（Generalize Linear Model）
• 逻辑斯蒂回归（Logistic Regression）
• k-近邻算法(kNN，k-Nearest Neighbor)
• 决策树（Decision Tree）
  • 基于树的模型（一）：分类树与回归树
  • 基于树的模型（二）：集成学习之Bagging和Random Forest
  • 基于树的模型（三）：集成学习之GBDT和XGBoost
  • 基于树的模型（四）：随机森林的延伸——深度森林（gcForest）
  • 基于树的模型（五）：从零开始用Python实现ID3决策树
  • 基于树的模型（六）：Python实现CART决策树并利用Tkinter构建GUI对决策树进行调优
• 朴素贝叶斯（Naive Bayes）
• EM算法（Expectation Maximization Algorithm）
• 最大熵模型（Maximum Entropy Model）
• 支持向量机（Support Vector Machine）
• 聚类（Clustering）
• 概率图模型（PGM，Probabilistic Graphical Model）
  • 隐马尔科夫模型（HMM，Hidden Markov Model）
  • 马尔可夫随机场（Markov Random Field）
  • 条件随机场（Conditional Random Fields）
• 马尔可夫链蒙特卡罗方法（MCMC，Markov Chain Monte Carlo）