解决数据质量问题
第一部分 模型的评估与数据处理
机器学习基础与实践(一)----数据清洗
机器学习基础与实践(二)----数据转换
机器学习基础与实践(三)----数据降维
第二部分 特征工程
机器学习基础与实践(四)----特征选择
机器学习基础与实践(五)----特征提取
机器学习基础与实践(六)----模型选择与评估
第三部分 算法基础之有监督算法
机器学习基础与实践(七)----广义线性模型
机器学习基础与实践(八)----最小二乘法
机器学习基础与实践(九)----LDA
机器学习基础与实践(十)----SGD
机器学习基础与实践(十一)----K近邻
机器学习基础与实践(十二)----高斯过程
机器学习基础与实践(十三)----决策树(ID3,C4.5,C5.0,CART)
机器学习基础与实践(十四)----朴素贝叶斯
机器学习基础与实践(十五)----支持向量机
机器学习基础与实践(十六)----集成学习(Bagging,RF,AdaBoost,Gradient Tree Boosting,Voting Classifier)
机器学习基础与实践(十七)----感知机模型
机器学习基础与实践(十八)----多分类算法
第四部分 算法基础之无监督算法
机器学习基础与实践(十九)----K-means
机器学习基础与实践(二十)----Affinity propagation
机器学习基础与实践(二十一)----Mean-shift
机器学习基础与实践(二十二)----Spectral clustering
机器学习基础与实践(二十三)----Ward hierachical
机器学习基础与实践(二十四)----Agglomerative clustering
机器学习基础与实践(二十五)----DBSCAN
机器学习基础与实践(二十六)----Gaussian mixtures
机器学习基础与实践(二十七)----Birch
第五部分 算法基础之推荐算法
机器学习基础与实践(二十八)----相似度计算
机器学习基础与实践(二十九)----Arules关联规则
机器学习基础与实践(三十)----Fp-Growth
机器学习基础与实践(三十一)----User-based or Item-based
第六部分 算法基础之半监督模型
机器学习基础与实践(三十二)----Label Propagation
第七部分 算法基础之其他模型
机器学习基础与实践(三十三)----概率图模型
机器学习基础与实践(三十四)----最大熵模型
机器学习基础与实践(三十五)----规则学习
机器学习基础与实践(三十六)----强化学习
机器学习基础与实践(三十七)----条件随机场
机器学习基础与实践(三十八)----保序回归(Isotonic regression)
机器学习基础与实践(三十九)----Probability calibration