转载请注明，本文出自Bin的专栏http://blog.csdn.net/xbinworld，谢谢！
————————————————————————————————————————————
目前我已经整理了的系列原创文章（水平有限，请见谅），还有很多，未完待续：
- 机器学习方法：回归（一）：线性回归linear regression
- 机器学习方法：回归（二）：回归、稀疏与正则约束ridge regression，Lasso
- 机器学习方法：回归（三）：最小角回归Least Angle Regression，forward stagewise selection
- 机器学习方法（四）：决策树decision tree原理与实现trick
- 机器学习方法（五）：逻辑回归Logistic Regression，Softmax Regression
- 机器学习方法（六）：随机森林Random Forest，bagging
- 机器学习方法（七）：Kmeans聚类K值如何选，以及数据重抽样方法Bootstrapping
- 机器学习方法(八)：随机采样方法整理（MCMC、Gibbs Sampling等）
- 深度学习方法：受限玻尔兹曼机RBM（一），（二），（三），（四）
- 深度学习方法：卷积神经网络CNN（五）经典模型整理Lenet，Alexnet，Googlenet，VGG，Deep Residual Learning
- 深度学习方法（六）：神经网络weight参数怎么初始化
-
深度学习方法（七）：SqueezeNet 模型详解，CNN模型参数降低50倍，压缩461倍！
————————————————————————————————————————————
目前想到的有这些topic，我就抽工作业余时间慢慢复习，慢慢写
content:
linear regression, Ridge, Lasso
LARS
Logistic Regression, Softmax
Kmeans, GMM, EM, Spectral Clustering
Dimensionality Reduction: PCA、LDA、Laplacian Eigenmap、 LLE、 Isomap（基本写过了，需要修改前面的blog）
SVM
Decision Tree: ID3、C4.5
Apriori，FP
SOM
优化方法：BFGS method，SGD，Conjugate gradient，Coordinate descent等
PageRank
minHash, LSH, Hashing
Manifold Ranking，EMR
PLSA，LDA
Deep Learning Basics：
MLP/ANN
RBM
CNN
AutoEncoder，DAE，SAE
RNN/LSTM
还有很多其他的
待补充
————————————————————————————————————————————
“机器学习/深度学习方法“系列，我本着开放与共享（open and share）的精神撰写，目的是让更多的人了解机器学习的概念，理解其原理，学会应用。现在网上各种技术类文章很多，不乏大牛的精辟见解，但也有很多滥竽充数、误导读者的。这个系列对教课书籍和网络资源进行汇总、理解与整理，力求一击中的，通俗易懂。机器学习很难，是因为她有很扎实的理论基础，复杂的公式推导；机器学习也很简单，是因为对她不甚了解的人也可以轻易使用。我希望好好地梳理一些基础方法模型，输出一些真正有长期参考价值的内容，让更多的人了解机器学习。所以对自己的要求有三：（1）不瞎写，有理有据；（2）尽量写的通俗易懂；（3）多看多想，深入浅出。
本人14年博士毕业，希望与志同道合的朋友一起交流，我设立了了一个技术交流QQ群：433250724，欢迎对算法、技术、应用感兴趣的同学加入，在交流中沟通——算法与技术，让理论研究与实际应用深度融合；也希望能有大牛能来，为大家解惑授业，福泽大众。推广开放与共享的精神。如果人多我就组织一些读书会，线下交流。（现在人还不多，不管做什么方向的大家都可以多多交流，希望有更多的人可以来讨论，重点是对machine learning感兴趣。）
1014
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
