从sklearn(scikit-learn)手册看机器学习

User Guide 用户手册（V0.19.0）

1. Supervised learning 监督学习

1.1. Generalized Linear Models 广义线性模型
1.2. Linear and Quadratic Discriminant Analysis 线性/二次判别分析
1.3. Kernel ridge regression 核岭回归
1.4. Support Vector Machines 支持向量机
1.5. Stochastic Gradient Descent 随机梯度下降SGD
1.6. Nearest Neighbors 最近邻
1.7. Gaussian Processes 高斯过程/正态随机过程
1.8. Cross decomposition 交叉分解
1.9. Naive Bayes 朴素贝叶斯
1.10. Decision Trees 决策树
1.11. Ensemble methods 集成方法
1.12. Multiclass and multilabel algorithms 多分类多标签算法
1.13. Feature selection 特征选择
1.14. Semi-Supervised 半监督学习
1.15. Isotonic regression 保序回归
1.16. Probability calibration 概率校准
1.17. Neural network models (supervised) 神经网络（有监督）

2. Unsupervised learning 无监督学习

2.1. Gaussian mixture models 高斯混合模型
2.2. Manifold learning 流形学习
2.3. Clustering 聚类
2.4. Biclustering 双向聚类
2.5. Decomposing signals in components (matrix factorization problems) 组件信号分解
2.6. Covariance estimation 协方差估计
2.7. Novelty and Outlier Detection 奇异值检测
2.8. Density Estimation 密度估计
2.9. Neural network models (unsupervised) 神经网络（无监督）

3. Model selection and evaluation 模型选择与评价

3.1. Cross-validation: evaluating estimator performance 交叉验证
3.2. Tuning the hyper-parameters of an estimator 调整评估器的超参数
3.3. Model evaluation: quantifying the quality of predictions 模型评价：量化预测的质量
3.4. Model persistence 模型持久化
3.5. Validation curves: plotting scores to evaluate models 验证曲线：绘制得分来评价模型

4. Dataset transformations 数据集变换

4.1. Pipeline and FeatureUnion: combining estimators 管道和特征联合：组合评估器
4.2. Feature extraction 特征提取
4.3. Preprocessing data 数据处理
4.4. Unsupervised dimensionality reduction 无监督降维
4.5. Random Projection 随机映射
4.6. Kernel Approximation 核近似
4.7. Pairwise metrics, Affinities and Kernels 成对度量，亲和度与核
4.8. Transforming the prediction target (y) 变换预测目标

5. Dataset loading utilities 数据加载工具

5.1. General dataset API 通用数据集API
5.2. Toy datasets 玩具数据集
5.3. Sample images 样例图片
5.4. Sample generators 样例生成器
5.5. Datasets in svmlight / libsvm format——svmlight / libsvm格式的数据集
5.6. Loading from external datasets 加载外部数据集
5.7. The Olivetti faces dataset 人脸数据
5.8. The 20 newsgroups text dataset 20个新闻组的文本数据集
5.9. Downloading datasets from the mldata.org repository 下载mldata.org仓库的数据集
5.10. The Labeled Faces in the Wild face recognition dataset 有标记的脸部识别数据集（网络收集）
5.11. Forest covertypes 森林覆盖类型
5.12. RCV1 dataset—— Reuters Corpus Volume I新闻数据集
5.13. Boston House Prices dataset 波士顿房屋价格数据集
5.14. Breast Cancer Wisconsin (Diagnostic) Database 威斯康星州的乳腺癌数据库
5.15. Diabetes dataset 糖尿病数据集
5.16. Optical Recognition of Handwritten Digits Data Set 光学识别之手写数字数据即将
5.17. Iris Plants Database 鸢尾花数据库
5.18. Linnerrud dataset——Linnerrud数据集

6. Strategies to scale computationally: bigger data 大数据的缩放策略

6.1. Scaling with instances using out-of-core learning 使用核外学习的实例来缩放（？）

7. Computational Performance 计算性能

7.1. Prediction Latency 预测的延迟
7.2. Prediction Throughput 预测的吞吐率
7.3. Tips and Tricks 技巧与窍门

 

详细类与方法参考：

http://blog.csdn.net/u010859707/article/details/74995531