注:后期有时间的话会对每一个算法进行讲解。 第一篇 机器学习基础篇 第一章 线性模型 1 普通线性回归 2 广义线性模型 3 逻辑回归 4 线性判定分析 第二章 决策树 1 决策树基本原理与构建 2 CART算法 3 回归决策树 4 分类决策树 第三章 贝叶斯分类器 1 贝叶斯定理与朴素贝叶斯 2 高斯贝叶斯分类器 3 多项式贝叶斯分类器 4 伯努利贝叶斯分类器 5 递增式学习 第四章 K近邻法 1 KNN算法 2 KD树 第五章 数据降维 1 维度灾难与降维 2 主成分分析(PCA) 3 SVD降维 4 核化线性降维(KPCA) 5 流行学习降维 6 多维缩放降维(MDS) 7 等度量映射降维(Lsomap) 8 局部线性嵌入(LLE) 第六章 聚类与EM算法 1 聚类指标 2 多种距离度量 3 原型聚类 4 密度聚类(DBSCAN) 5 层次聚类 6 EM算法 7 K均值聚类(KMeans) 8 混合高斯模型 第二篇 机器学习高级篇 第一章 支持向量机 第二章 人工神经网络 第三章 集成学习 第四章 半监督式学习 第三篇 机器学习工程篇 第一章 数据预处理 第二章 模型评估、选择与验证