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)