1 教程介绍
机器学习的各大模型在工程领域具有非常广泛的应用,也非常便于与其他算法集成使用,在实践和学术上都具有非常宝贵的研究价值。举例而言:
- 强化学习结合蚁群算法增强路径规划寻优性;
- 决策树与整数规划算法结合增强任务调度可解释性;
- 聚类与降维应用于数据清洗,提高数据质量;
- …
在机器学习这门课程的学习过程中,不难体会到这是一门“推公式”、“讲理解”的学科,但是不论是教材还是很多文章都不重视对公式的讲解,这对初学者而言很难站稳理论根基,导致理解知识点时云里雾里,最终从入门到退坑。
因此,本教程聚焦深度和广度,加深对机器学习模型的理解与应用。“深”在详细推导算法模型背后的数学原理;“广”在分析多个机器学习模型:决策树、支持向量机、贝叶斯与马尔科夫决策、强化学习等。写这套教程的目的在于:
- 重新回顾所学,整理归纳知识点,便于复习
- 对经典模型进行编程,构建代码库,方便二次开发
- 构建规范化的新手入门体系
2 教程大纲
🚀 第零篇——初识机器学习
- 机器学习强基计划0-1:教程导读
- 机器学习强基计划0-2:什么是机器学习?和AI有什么关系?
- 机器学习强基计划0-3:数据集核心知识串讲,构造方法解析
- 机器学习强基计划0-4:通俗理解奥卡姆剃刀与没有免费午餐定理
- 机器学习强基计划0-5:为什么学习的本质是泛化能力?
- 机器学习强基计划0-6:盘点最常见的7种数据预处理方法和原理
🚀 第一篇——线性模型
- 机器学习强基计划1-1:图文详解感知机算法原理+Python实现
- 机器学习强基计划1-2:图文详解线性回归与局部加权线性回归+房价预测实例
- 机器学习强基计划1-3:图文详解Logistic回归原理(两种优化)+Python实现
- 机器学习强基计划1-4:从协方差角度详解线性判别分析原理+Python实现
- 机器学习强基计划1-5:核化线性判别分析+Python实现
- 机器学习强基计划1-6:线性多分类问题
🚀 第二篇——决策树
- 机器学习强基计划2-1:一文总结熵——相对熵、交叉熵、互信息(附例题分析)
- 机器学习强基计划2-2:一文详解ID3、C4.5、CART决策树算法+Python实现
- 机器学习强基计划2-3:图文详解决策树预剪枝、后剪枝原理+Python实现
- 机器学习强基计划2-4:决策树连续属性、缺失属性的处理+Python实现
- 机器学习强基计划2-5:决策树回归
🚀 第三篇——支持向量机
- 机器学习强基计划3-1:图文详解超平面、几何间隔、函数间隔
- 机器学习强基计划3-2:详细推导支持向量机SVM原理+Python实现
- 机器学习强基计划3-3:详细推导序列最小优化SMO算法+Python实现
- 机器学习强基计划3-4:详解核方法——以核支持向量机KSVM为例
- 机器学习强基计划3-5:支持向量回归
🚀 第四篇——贝叶斯分类
- 机器学习强基计划4-1:你真的分得清频率、概率、几率和似然吗?
- 机器学习强基计划4-2:通俗理解极大似然估计和极大后验估计+实例分析
- 机器学习强基计划4-3:详解朴素贝叶斯分类原理 | 例题分析 | Python实现
- 机器学习强基计划4-4:半朴素贝叶斯分类AODE算法原理+Python实现
- 机器学习强基计划4-5:半朴素贝叶斯分类TAN算法原理+Python实现
🚀 第五篇——概率图模型
- 机器学习强基计划5-1:概率图开篇,图论知识总结(附思维导图)
- 机器学习强基计划5-2:用一个例子通俗理解贝叶斯网络(附例题)
- 机器学习强基计划5-3:图文详解因子分解与独立图I-Map(附例题分析+Python实验)
- 机器学习强基计划5-4:图文详解影响流动性与有向分离(D-分离)(附Python实现)
- 机器学习强基计划5-5:用一个例子通俗理解变量消除法VE原理(附Python实验)
🚀 第六篇——马尔科夫决策
- 机器学习强基计划6-1:图文详细总结马尔科夫链及其性质(附例题分析)
- 机器学习强基计划6-2:详细推导马尔科夫随机场(MRF)及其应用(附例题)
- 机器学习强基计划6-3:有向图与无向图的转化——道德图(附Python实现)
- 机器学习强基计划6-4:详细推导期望最大化EM算法及收敛性分析(附实例)
- 机器学习强基计划6-5:通俗理解条件随机场
🚀 第七篇——聚类
- 机器学习强基计划7-1:无监督学习常用性能指标与距离度量总结
- 机器学习强基计划7-2:图文详解K-均值聚类(K-means)算法(附Python实现)
- 机器学习强基计划7-3:详细推导学习向量量化LVQ算法(附Python实现)
- 机器学习强基计划7-4:详细推导高斯混合聚类(GMM)原理(附Python实现)
- 机器学习强基计划7-5:图文详解密度聚类DBSCAN算法(附Python实现)
- 机器学习强基计划7-6:图文详解层次聚类AGNES算法(附Python实现)
🚀 第八篇——降维
- 机器学习强基计划8-1:图解主成分分析PCA算法(附Python实现)
- 机器学习强基计划8-2:详细推导多维缩放MDS算法(附Python实现)
- 机器学习强基计划8-3:图文详解核化主成分分析KPCA算法(附Python实现)
- 机器学习强基计划8-4:图文详解等度量映射Isomap算法(附Python实现)
- 机器学习强基计划8-5:图文详解局部线性嵌入LLE算法(附Python实现)
🚀 第九篇——稀疏学习
🚀 第十篇——集成学习
- 机器学习强基计划10-1:为什么需要集成学习?核心原理是什么?
- 机器学习强基计划10-2:推导串行集成AdaBoost算法(附Python实现)
- 机器学习强基计划10-3:详解Bagging与随机森林算法(附Python实现)
🚀 实战篇
- 机器学习实战1:8种人工智能算法求解八皇后问题
- 机器学习实战2:三个人也能联机下五子棋?怎么赢
- 机器学习实战3:基于朴素贝叶斯实现单词拼写修正器(附Python代码)
- 机器学习实战4:基于马尔科夫随机场的图像分割(附Python代码)
- 机器学习实战5:基于OpenCV的多图像拼接、配准与美化
…
上面的内容已经成稿,可以放心订阅。
3 强基计划
目前博主正在组建机器学习技术交流群,群中成员是有明确共同目标,共同愿景的,这样才能共同成长,所以只要你想学好机器学习就请加入我们(下方名片),让我们一起从理论到实践攻克机器学习,为从事相关工作或科研打下基础!
当然群里也配套长期更新的网盘资源福利等你领取!
4 经典算法合集
强基计划实现从理论到实践的全面覆盖,由本人亲自从底层编写、测试与文章配套的各个经典算法,不依赖于现有库,可以大大加深对算法的理解,目前已经编写好的模型代码如下。
对应章节 | 算法 | 效果 |
---|---|---|
1 | 感知机Perceptron | |
1 | 标准线性回归LR | |
1 | 局部加权线性回归WLR | |
1 | Logistic回归 | |
1 | 线性判别分析LDA | |
2 | 决策树ID3 | |
2 | 决策树C4.5 | |
2 | 决策树CART | |
3 | 支持向量机SMO | |
4 | 朴素贝叶斯分类NaiveBayes | 无可视化 |
4 | 半朴素贝叶斯分类AODE | 无可视化 |
4 | 半朴素贝叶斯分类TAN | |
5 | 概率图PGM | |
5 | 有向分离D-Seperation | |
7 | K均值聚类K-means | |
7 | 学习向量量化LVQ | |
7 | 高斯混合聚类GMM | |
7 | DBSCAN | |
7 | AGNES | |
8 | 多维缩放MDS | |
8 | 主成分分析PCA | |
8 | 核主成分分析KPCA | |
8 | 等度量映射ISOMAP | |
8 | 局部线性嵌入LLE | |
10 | 串行集成学习AdaBoost | |
… | 持续更新中… | 持续更新中… |
5 注意事项
- 上面给出的是教程的大致大纲,后面可能会有顺序和内容的调整,但可以保证内容量只增不减
- 原价299,前50订阅一律19.9,后续每50订阅价格上调20元
- 更新频率为一周1~2更
Reference
- 《机器学习》周志华
- 《Deep Learning》
- 《统计学习方法》李航
- …