数据清洗

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