侠的机器学习笔记
使用博客来记录自己的机器学习过程,笔记是通过网络、书籍以及自我总结而成的。
本笔记分为五部分:
- 机器学习基础
- 监督学习算法
- 无监督学习算法
- 深度学习算法
- 强化学习算法
所有已完成的笔记都会发布到 CSDN Blog 上,感兴趣的小伙伴可以关注一下,我将会坚持更新机器学习以及深度学习的笔记。所有的笔记都是由 Jupyter Notebook 写成的,Notebook 可以在这个 Github 库内找到。
Q:为什么文章经常会变成 404 ?
A:因为我会经常更新以前的文章,而修改过的文章需要一段时间进行审核。
关于各类机器学习算法的优点,可以参考这篇文章
关于各类机器学习算法的应用场合,可以参考这篇文章
PS:监督学习中分类算法和回归算法并没有严格的界限,分类算法可以做回归,而回归算法也可以做分类。但为了方便起见,因此将按算法首次提出时的目的进行区分。
1. 机器学习基础
2. 监督学习
2.1 分类算法
贝叶斯
决策树
- 监督学习 | ID3 决策树原理及Python实现
- 监督学习 | ID3 & C4.5 决策树原理
- 监督学习 | CART 分类回归树原理
- 监督学习 | 决策树之Sklearn实现
- 监督学习 | 决策树之网络搜索
SVM 支持向量机
KNN K近邻
- 监督学习 | KNN K近邻原理及Sklearn实现
2.2 回归算法
多元线性回归
正则线性模型
- 监督学习 | 线性回归 之正则线性模型原理及Sklearn实现
- 监督学习 | 线性回归 之Softmax回归原理及Sklearn实现
Logistic 回归分类器
非线性回归
2.3 集成方法
Bagging、随机森林
AdaBoost
3. 无监督学习
3.1 聚类算法
原型聚类 - KMeans K均值
层次聚类 - 凝聚聚类
密度聚类 - DBSCAN
概率聚类 - GMM 高斯混合
3.2 降维算法
PCA 主成分分析
随机投影
- 无监督学习 | 随机投影原理及Sklearn实现
ICA 独立成分分析
- 无监督学习 | ICA 独立成分分析原理及Sklearn实现