本博客关于机器学习的话题共开设了两个专栏:
- 【机器学习之术】:着重介绍各类常用的经典机器学习方法之原理思路、数学细节、应用实践(基于Python, R和MATLAB),具体涉及内容包括但不限于支持向量机、期望最大化模型、AdaBoost、GDBT、概率图模型(包括贝叶斯网络及HMM)、kNN、朴素贝叶斯、k均值、CART和C4.5决策树等
- 【机器学习之道】:侧重机器学习的理论基础,采用循序渐进的方式,系统地引领读者进入机器学习的世界。如果说学习有“道”和“术”的层次之分,那么本专栏将更偏向于“道”的层面,跳脱具体算法,探讨一些更泛华化的概念,例如降维、采样、MCMC、正则化等。既娓娓道来,又刨根问底,希望能够带领读者实现破茧化蝶的自我提升
专栏文章订阅量不知不觉已经破千了,特叮嘱一句,请先浏览一下专栏的目录(文章标题与简介信息),勿冲动消费!!!
WARNING!!!
文章主要是笔者经验的总结,最初仅仅是个人学习的笔记或者备忘。很多讲解、描述,不能完全排除笔者的主观性。VIEWER DISCRETION IS ADVISED !!! 当然,这里不是说内容上有什么限制级的有碍观瞻,而是说读者自己应该有自我鉴别能力。笔者不对文章所有细节的准确性负责,如果你觉得哪里说得不对,请以经典论文原文为准。
博客里机器学习专栏的文章大部分被收录进了我已经出版的、与机器学习(或统计学习)相关的书籍中,换言之,你可能会发现博客文章与下面这些书籍有很多交叉的内容。当然,博客文章可以随时更新,而书籍一旦印刷出来,顶多也就只能在加印时进行词句程度的微调了。
人工智能与数据科学
- R语言实战――机器学习与数据分析,电子工业出版社
- 统计学习理论与方法——R语言版,清华大学出版社
- 机器学习中的数学修炼,清华大学出版社
- 机器学习原理与实践(Python版),清华大学出版社
- Python机器学习中的数学修炼,清华大学出版社