从模型到算法-目录

出于对数据分析、数据挖掘方面的兴趣，以及在未来工作上的帮助。本博打算多看一些相关书籍与博客，总结及翻译相应的知识点。使得自己对这块的知识越来越了解，总结的文章初步分为以下章节：

第一章，EDA-数据探索

• 第1章-数据探索(1)-数据预处理
• 第1章-数据探索(2)-数据预处理之Python实现
• 第1章-数据探索(3)-数据预处理之R实现
• 第1章-数据探索(4)-数据的统计分析
• 第1章-数据探索(5)-数据的统计分析之Python实现
• 第1章-数据探索(6)-数据的统计分析之R实现

第二章，线性回归与模型诊断

• 第2章-回归模型(1)-线性回归模型与估计
• 第2章-回归模型(2)-模型诊断
• 第2章-回归模型(3)-模型筛选
• 第2章-回归模型(4)-回归模型之Python实现
• 第2章-回归模型(5)-回归模型之R实现

第三章，从线性概率模型到广义线性模型

• 第3章-线性概率模型(1)-logistics/probit模型
• 第3章-线性概率模型(2)-推广至广义线性模型
• 第3章-线性概率模型(3)-Python实现
• 第3章-线性概率模型(4)-R实现

第四章，模型中特征子集的选择
第五章，维度归约
第六章，数据缺失与不平衡的处理

• 第6章-数据缺失与不平衡的处理(1)-数据缺失
• 第6章-数据缺失与不平衡的处理(2)-数据不平衡

第七章，广义相加模型(GAMs)
第八章，Longitudinal Data或Panel Data模型
第九章，监督学习
第十章，基于树的方法

• 第10章－基于树的方法(1)-生成树
• 第10章－基于树的方法(2)-树的剪枝
• 第10章－基于树的方法(3)-树的改进-集成方法
• 第10章－基于树的方法(4)-Python实现
• 第10章－基于树的方法(5)-R实现

第十一章，从感知机到支持向量机
第十二章，从感知机到神经网络
第十三章，从神经网络到深度学习
第十四章，语音特征
第十五章，图像特征
第十六章，文本特征
第十七章，非监督学习

• 第17章-非监督学习(1)-基于划分的聚类
• 第17章-非监督学习(2)-基于层级的聚类
• 第17章-非监督学习(3)-基于模型的聚类
• 第17章-非监督学习(4)-基于网格的聚类
• 第17章-非监督学习(5)-基于密度的聚类
• 第17章-非监督学习(6)-基于图的聚类
• 第17章-非监督学习(7)-基于模糊理论的聚类

第十八章，异常检测
第十九章，推荐系统
第二十章，图模型
第二十一章，随机过程
第二十二章，时间序列

以此博客鼓励自己，继续学习，fighting…