机器学习资料导航

1.降维

1. PCA相关矩阵(无监督！)
2. t-SNE、t-SNE
3. MDS、MDS
4. LLE、LLE、LLE
5. LDA
6. ICA、ICA、ICA
7. LE、LE
8. 常用降维方法

2.异常检测

1. LOF、LOF、LOF、LOF
2. 决策树、决策树、决策树、决策树、决策树、决策树、基尼不纯度、基尼杂质、实现代码、实现代码
3. 单类支持向量机
4. 异常检测总结
5. 隔离森林

3.分类

1. 支持向量数据描述（SVDD）、SVM推导、REF-SVM
2. 决策树信息论、西瓜书-决策树

4.聚类

1.  DBSCAN、DBSCAN、绘图
2. 密度聚类、Density Peak Clustering(DPCluster)、DPCluster

5.网络

1. 贝叶斯网络、贝叶斯网络

5.深度学习

1. 迁移学习

6.数据集生成

1. 环形和半环形
2. 线性

7.采样

1. SMOTE、SMOTE、SMOTE相关
2. 超拉丁立方采样

8.保存模型

1. sklearn保存模型文件

9.特征选取

1. Fish Score、互信息、互信息、互信息、皮尔逊相关系数
2. AUC、kappa系数
3. 前向、后向、双向特征选择

10.距离

1. 欧式绝对闵氏距离公式、四种距离介绍

11.数据分析处理

1. 归因分析、处理缺失值
2. KL散度(相对熵)
3. 核、随机傅里叶特征方法RFF
4. 集中式分布式数据库
5. 特征选择、常用特征选择
6. 判别模型和生成模型

12.绘图

1. 每个点打上标签

13.回归

1. PLS偏最小二乘回归、pls、岭回归、最小二乘法多项式曲线拟合

2. stacking

3. 多项式回归、广义加性、广义加性

4. 高斯过程回归、克里金(Kriging)模型详细推导

5. 贝叶斯回归

13.优化

1. 梯度下降
2. 牛顿法、拟牛顿法
3. Hyperband、超参数优化方法类别

14.评分

1. 交叉验证

15.数学

1. 分数阶导数简介