机器学习常用方法网址（第一批汇集）【转】

（1）2016-09-26，30分钟学会用scikit-learn的基本回归方法（线性、决策树、SVM、KNN）和集成方法（随机森林，Adaboost和GBRT）
https://blog.csdn.net/u010900574/article/details/52666291
     竟然KNN这个计算效能最差的算法效果最好

（2）2018-12-26，机器学习的几种方法（knn，逻辑回归，SVM，决策树，随机森林，极限随机树，集成学习，Adaboost，GBDT）
https://blog.csdn.net/fanzonghao/article/details/85260775

（3） 2018-02-13，Machine Learning: 十大机器学习算法
https://zhuanlan.zhihu.com/p/33794257

（4）2018-12-28，机器学习 – machine learning | ML
https://easyai.tech/ai-definition/machine-learning/
15种经典机器学习算法

 

算法	训练方式
线性回归	监督学习
逻辑回归	监督学习
线性判别分析	监督学习
决策树	监督学习
朴素贝叶斯	监督学习
KNN	监督学习
学习向量量化	监督学习
SVM	监督学习
RF	监督学习
AdaBoost	监督学习
高斯混合模型	非监督学习
限制波尔兹曼机	非监督学习
K-means 聚类	非监督学习
最大期望算法	非监督学习

5）2017-06-01，深度学习笔记——基于传统机器学习算法（LR、SVM、GBDT、RandomForest）的句子对匹配方法
https://blog.csdn.net/mpk_no1/article/details/72836042
     从准确率上来看，随机森林的效果最好。时间上面，SVM耗时最长。
                     
（6）2016-08-04，8种常见机器学习算法比较
https://www.leiphone.com/news/201608/WosBbsYqyfwcDNa4.html
     通常情况下：【GBDT>=SVM>=RF>=Adaboost>=Other…】
                       
（7）2016-07-21，各分类方法应用场景 逻辑回归，支持向量机，随机森林，GBT，深度学习
https://www.quora.com/What-are-the-advantages-of-different-classification-algorithms
          
（8）2018-12-10，LR、SVM、RF、GBDT、XGBoost和LightGbm比较
https://www.cnblogs.com/x739400043/p/10098659.html
        
（9）2018-03-07，机器学习（三十六）——XGBoost, LightGBM, Parameter Server
https://antkillerfarm.github.io/ml/2018/03/07/Machine_Learning_36.html
        
（10）2019-07-29，深度学习（三十七）——CenterNet, Anchor-Free, NN Quantization
https://blog.csdn.net/antkillerfarm/article/details/97623139
                   
（11）2019-05-13，机器学习该怎么入门？
https://www.zhihu.com/question/20691338
          
（12）2018-12-28，机器学习、人工智能、深度学习是什么关系？
https://easyai.tech/ai-definition/machine-learning/
               
（13）2019-09-27，机器学习
https://www.zhihu.com/topic/19559450/hot
2019-09-26， ALBERT  A Lite BERT for Self-supervised Learning of Language Representations
https://arxiv.org/abs/1909.11942
          
（14）2016，机器学习 Machine-Learning
https://github.com/JustFollowUs/Machine-Learning
           
（15）Bradley Efron, Trevor Hastie, 2016-08, Computer Age Statistical Inference: Algorithms, Evidence and Data Science
https://web.stanford.edu/~hastie/CASI/
         
（16）2019-06-05，张钹院士：人工智能技术已进入第三代
https://blog.csdn.net/cf2SudS8x8F0v/article/details/90986936

2019-06-08，[学习资料搜集] 时间序列（time series）学习书籍
http://blog.sciencenet.cn/blog-107667-1183775.html

 

在数据分析里，由于“小样本数理统计学”没有充分发展起来，使得“依据大样本统计理论”的许多新方法，在小样本下没有表现出应有的优势。
  
例如：
（1）当“有效数据”的数量 > 10万时，这些新方法将是性能优良的；
（2）当“有效数据”的数量 < 200 时，特别是只有几十个或几个有效数据时，这些新方法的表现是不尽如人意的。
（3）数理统计学里的“置信区间”，是解释这些现象的一种理论基础。
  
“有效数据”，是相邻的两个数据之间携带足够的“独立性”信息的数据。
香农采样定理，是判断“有效数据”的基础方法之一。

 

 

                              
相关链接：
[1] 2016-09-01，支持向量机 Support Vector Machine 程序网址
http://blog.sciencenet.cn/blog-107667-1000087.html
[2] 2016-09-01，Crosswavelet and Wavelet Coherence 小波分析的程序网址
http://blog.sciencenet.cn/blog-107667-1000091.html
[3] 2019-07-27，威布尔分布 Weibull Distribution 资源网页搜集
http://blog.sciencenet.cn/blog-107667-1191323.html
[4] 2016-09-01，极限学习机 Extreme Learning Machines (ELM) 程序网址
http://blog.sciencenet.cn/blog-107667-1000094.html
[5] 2019-09-27，极值分布 Extreme Values Distribution 相关网页
http://blog.sciencenet.cn/blog-107667-1199726.html
[6] 2019-09-22，模糊数学：扎德“解模糊”、卡尔曼“模糊化”（博文网页汇集）
http://blog.sciencenet.cn/blog-107667-1199064.html
[7] 2018-08-26,估计 Largest Lyapunov exponent 的 matlab 程序搜集（网址）
http://blog.sciencenet.cn/blog-107667-1131215.html
[8] 2018-08-18，“大数据”时期，更渴望“小样本数理统计学” 
http://blog.sciencenet.cn/blog-107667-1129894.html
[9] 2017-07-11，布拉德利·埃弗龙（Bradley Efron）：2005年美国国家科学奖章得主（统计学）
http://blog.sciencenet.cn/blog-107667-1065714.html