（1）分は、基本的な2016-09-26,30 scikit-学ぶ回帰（線形、決定木、SVM、KNN）と統合方法（ランダムフォレスト、およびアダブーストGBRT）学ぶ
https://blog.csdn.netを/ u010900574 /記事/詳細/ 52666291は、
KNNアルゴリズムが最適に動作し、この計算の最悪のパフォーマンスであることが判明しました
（2）2018年12月26日、いくつかの機械学習（KNN、ロジスティック回帰、SVM、決定木、ランダムフォレスト、リミットランダム木、アンサンブル学習、アダブースト、GBDT）
https://blog.csdn.net/ fanzonghao /記事/詳細/ 85260775
（3）2018年2月13日、機械学習：10機械学習アルゴリズム
https://zhuanlan.zhihu.com/p/33794257
（4）2018年12月28日、機械学習-機械学習| ML
https://easyai.tech/ai-definition/machine-learning/
15忠古典機械学習アルゴリズム
| アルゴリズム | トレーニング方法 |
| 直線回帰 | 教師付き学習 |
| ロジスティック回帰 | 教師付き学習 |
| 線形判別分析 | 教師付き学習 |
| ディシジョン・ツリー | 教師付き学習 |
| ナイーブベイズ | 教師付き学習 |
| KNN | 教師付き学習 |
| 学習ベクトル量子化 | 教師付き学習 |
| SVM | 教師付き学習 |
| RF | 教師付き学習 |
| AdaBoost | 教師付き学習 |
| ガウス混合モデル | 教師なし学習 |
| ボルツマンマシンの制限 | 教師なし学習 |
| K平均クラスタリング | 教師なし学習 |
| EMアルゴリズム | 教師なし学習 |
5）2017年6月1日の深さの研究ノート-伝統的な機械学習アルゴリズムに基づいて（LR、SVM、GBDT、ランダムフォレスト ） 文マッチング法
https://blog.csdn.net/mpk_no1/article/details/72836042
から精度、最高のランダムな森林の効果。最長SVM、上記の時間。
一般的な機械学習アルゴリズム（6）2016-08-04,8種類比較
https://www.leiphone.com/news/201608/WosBbsYqyfwcDNa4.html
通常：[GBDT> = SVM> = RF> =アダブースト> = その他...]
（7）2016年7月21日、それぞれの分類方法のシナリオロジスティック回帰、サポートベクトルマシン、ランダム森林、GBT、深い学習
https://www.quora.com/What-are-the-advantages-of異なる分類アルゴリズム---
（8）2018年12月10日、LR、SVM、RF、GBDT、XGBoost LightGbm比較
https://www.cnblogs.com/x739400043/p/10098659.html
（9）2018から03 -07、機械学習（三〇から六） - XGBoost、LightGBM、パラメータサーバー
https://antkillerfarm.github.io/ml/2018/03/07/Machine_Learning_36.html
（10）2019年7月29日、深い学習（三〇から七） - CenterNet、アンカーとして無料、NN量子化
https://blog.csdn.net/antkillerfarm/article/details/97623139
（11）2019-05- 13は、マシンがどのようにエントリに学びますか？
https://www.zhihu.com/question/20691338
（12）2018年12月28日、機械学習、人工知能、関係は何である学習の深さ？
https://easyai.tech/ai-definition/machine-learning/
（13）と2019年9月27日、機械学習
https://www.zhihu.com/topic/19559450/hot
2019年9月26日、ALBERT A言語表現の監視つき自己Liteの学習のためのBERT
https://arxiv.org/abs/1909.11942
（14）2016、機械学習機械学習
https://github.com/JustFollowUs/Machine-Learning
（15）ブラッドリー・エフロン、トレバー・ハスティー、2016から08、コンピュータ時代の統計的推論：アルゴリズム、証拠とデータサイエンス
https://web.stanford.edu/~hastie/CASI/
（16）2019年6月5日、アカデミー会員チャンボー：人工知能技術は、第三世代に入った
https://blog.csdn.net/cf2SudS8x8F0v/article/詳細/ 90986936
2019年6月8日、[学習データ収集]の時系列（時系列）図書学習
http://blog.sciencenet.cn/blog-107667-1183775.html
データ解析では、理由は「小さなサンプル数理統計学」の完全に開発されていない、小さなサンプルでは、「大規模なサンプル統計理論に基づいて」多くの新しいアプローチを作るには、その利点を示しませんでした。
例えば：
（1）場合、「有効データ」の数> 100,000これらの新しい方法は、優れた性能であろう;
（2）「有効データ」の数<200、特に有効な場合にのみ、数十又はデータ、これらの新しいメソッドのパフォーマンスは満足のいくものではありません。
（3）「信頼区間」における数理統計は、これらの現象を説明する理論の基礎となっています。
「有効データ」は、2つの隣接するデータ間の「独立」のデータ情報を運ぶのに十分です。
シャノンのサンプリング定理は、「有効データ」を決定する基本的な方法の一つです。
関連リンク：
[1] 2016年9月1日、SVMサポートベクトルマシンプログラムのウェブサイト
http://blog.sciencenet.cn/blog-107667-1000087.html
[2] 2016年9月1日、CrosswaveletとウェーブレットコヒーレンスURLウェーブレット解析プログラム
http://blog.sciencenet.cn/blog-107667-1000091.html
[3] 2019年7月27日、ワイブル分布ワイブル分布のリソースページコレクション
http://blog.sciencenet.cn/blog -107667-1191323.html
[4] 2016年9月1日、ELMエクストリーム学習機（ELM）プログラムのウェブサイト
http://blog.sciencenet.cn/blog-107667-1000094.html
[5] 2019-09- 27、極値分布Extremeは配布リンク値
http://blog.sciencenet.cn/blog-107667-1199726.html
[6] 2019年9月22日、ファジー数学：Zade "曖昧、"カルマン「ファジー「（ボーエンページコレクション）
http://blog.sciencenet.cn/blog-107667-1199064.html
[7] 2018年8月26日、収集するために、最大リアプノフ指数のMATLABプログラム（URL）を推定
http://blog.sciencenet.cn/blog-107667-1131215.htmlを
[8] 2018年8月18日、 "ビッグデータ" 「数学的統計の小さなサンプル」に、より熱心な期間、
http://blog.sciencenet.cn/blog-107667-1129894.html
[9] 2017年7月11日、ブラッドレイ・エフロン（ブラッドレイ・エフロン）。 2005年国家勲章の科学の勝者（統計的に）
http://blog.sciencenet.cn/blog-107667-1065714.html
