机器学习参考资料

最近打算把这两年收集的一些资料都分享出来，看有没有时间吧，我会按照不同方向都总结一下，看的人多的话更的会勤一点，没人看就不更了(╯‵□′)╯︵┻━┻
注：这篇是不含深度学习的，深度学习会单独放！

1. 机器学习教学资料和视频
   视频-徐亦达的频道-优酷视频
   Coursera公开课笔记: 斯坦福大学机器学习第一课“引言(Introduction)” | 我爱自然语言处理
   大数据/数据挖掘/推荐系统/机器学习相关资源
   近200篇机器学习&深度学习资料分享 或
   近200篇机器学习&深度学习资料分享
   国外机器学习的Blog推荐
   各种机器学习PPT
   Machine Learning & Deep Learning Tutorials
   【资源分享】《机器学习&深度学习&自然语言处理》视频课程资源百度云下载
2. 机器学习相关算法：
   2.1 算法概览：
   机器学习算法之旅
   专栏：机器学习，数据挖掘算法 - 博客频道 - CSDN.NET
   机器学习常见算法分类汇总
   一张机器学习所有算法的图
   机器学习重要算法讲解
   机器学习常见算法个人总结（面试用）
   机器学习面试题
   机器学习算法比较
   2.2 SVM：
   支持向量机
   SVM和NN的异同
   2.3 PCA：
   PCA 降维算法详解 以及代码示例
   2.4 LR：
   机器学习逻辑回归模型总结——从原理到sklearn实践
   逻辑回归学习算法比较 Gradient Descent vs. Stochastic Gradient Descent vs. L-BFGS
   机器学习系列(2)_从初等数学视角解读逻辑回归
   使用Python训练回归模型并进行预测
   Gradient descent with Python
   2.5 正则化范数的理解：
   机器学习中的范数规则化之（一）L0、L1与L2范数
   机器学习中使用「正则化来防止过拟合」到底是一个什么原理？为什么正则化项就可以防止过拟合？
   关于线性模型你可能还不知道的二三事
   2.6 Adaboost：
   Adaboost
   2.7 贝叶斯方法：
   数学之美番外篇：平凡而又神奇的贝叶斯方法
   A Guide to Bayesian Statistics
   Bayesian Optimization of Black Box Functions
   2.8 特征工程：
   谁动了我的特征？——sklearn特征转换行为全记录
   见过的最棒一篇特征工程讲解
   2.9 KNN：
   k-Nearest Neighbors from Scratch
   2.10 决策树：
   机器学习从入门到放弃之决策树算法
   2.11 K-Means：
   Kmeans示例+代码
   2.12 随机森林：
   A tour of random forests
   2.13 集成学习：
   使用sklearn进行集成学习——理论
   A Kaggler’s Guide to Model Stacking in Practice
   2.14 时序预测：
   seasonal
   tsfresh
   使用机器学习模型对大盘指数进行预测
3. 机器学习算法代码：
   机器学习算法 Python & R速查表
   Awesome Machine Learning
   A Complete Tutorial on Tree Based Modeling from Scratch (in R & Python)
   10 种机器学习算法的要点 附代码
   以KNN说明预处理的重要性
   大量sklearn代码入门
   如何用阿里云的机器学习得出泰坦尼克号沉船事件中谁有更大的概率获救
   sklearn实践
   Machine Learning Exercises In Python
   Scikit-learn技巧（拓展）总结
   XGBoost的使用
   Multi GBDT点击率预估实战：修改XGBoost，并行训练数千个GBDT模型
   训练个简单模型玩玩
   使用sklearn进行数据挖掘
   Machine learning algorithms
4. 大神博客：
   龙心尘
   Bin 的专栏
   DW
   Poll的笔记
   适合入门看的博客
5. 有趣的东西：
   十张图解释机器学习的基本概念
   【Yoshua Bengio 亲自解答】机器学习 81 个问题及答案（最全收录）
   特征向量和特征值的可视化
   最小二乘法和梯度下降法有哪些区别？
   有趣的机器学习概念纵览：从多元拟合，神经网络到深度学习，给每个感兴趣的人
   讲你肯定能懂的机器学习多维极值求解
   很有意思的kaggle
   SVM和logistic回归分别在什么情况下使用
   很厉害的入门机器学习的网站，网站做的很棒
   很清晰地讲解生成模型和判别模型
   损失函数讲解
   有趣的维数灾难的讲解
   不平衡数据分类算法介绍与比较

未完待续不续！