Machine Learning
前言
第一部分 数学基础
第一章 数学分析
梯度下降
数值计算
过拟合数学原理与解决方案
交叉验证
最小二乘
第二章 概率论
统计学习方法概论
最大似然估计
蒙特卡罗方法
马尔科夫链
MCMC采样和M-H采样
Gibbs采样
第三章 矩阵和线性代数
第二部分 机器学习
第四章 机器学习基础
Python及其数学库
机器学习库
模型度量
生成模型和判别模型
机器学习中的距离
第六课：数据清洗和特征选择
PCA
ICA
One-hot编码
scikit-learn PCA
线性判别分析LDA
用scikit-learn进行LDA降维
奇异值分解(SVD)原理与在降维中的应用
局部线性嵌入(LLE)原理
scikit-learn LLE
spark特征选择
Spark特征提取
第七课： 回归
1. 线性回归
10.最大熵模型
11.K-L散度
坐标下降和最小角
线性回归小结
Logistic回归
Logistic回归小结
第九课：决策树
ID3
C4.5
CART
总结
实现代码
第十三课：SVM
感知机模型
线性SVM
软间隔最大化模型
核函数
SMO算法原理
SVM回归
scikit-learn SVM
支持向量机高斯核调参
SVM代码实现
集成学习
Adaboost原理
scikit-learn Adaboost
梯度提升树（GBDT）
scikit GBDT
Bagging与随机森林
XGBOOST
scikit-learn 随机森林
第十五课：聚类
K-Mean
KNN
scikit-learn KNN
KNN 代码
scikit-learn K-Means
BIRCH聚类算法原理
scikit-learn BIRCH
DBSCAN密度聚类算法
scikit-learn DBSCAN
谱聚类（spectral clustering）原理
scikit-learn 谱聚类
近邻传播算法
混合高斯模型
关联分析
典型关联分析(CCA)原理
Apriori算法原理
FP Tree算法原理
PrefixSpan算法原理
Spark FP Tree算法和PrefixSpan算法
推荐算法
矩阵分解协同过滤推荐算法
SimRank协同过滤推荐算法
Spark矩阵分解推荐算法
分解机(Factorization Machines)推荐算法原理
美团推荐算法
MapReduce ItemCF
第十七课：EM算法
第十九课：贝叶斯网络
朴素贝叶斯
scikit-learn朴素贝叶斯
朴素贝叶斯实际应用
朴素贝叶斯代码
第二十一课：LDA主题模型
第二十三课：隐马尔科夫模型HMM
HMM前向后向算法评估观察序列概率
鲍姆-韦尔奇算法求解HMM参数
维特比算法解码隐藏状态序列
用hmmlearn学习隐马尔科夫模型HMM
条件随机场CRF
从随机场到线性链条件随机场
前向后向算法评估标记序列概率
维特比算法解码
自然语言处理
文本挖掘的分词原理
HashTrick
TF-IDF
中文文本挖掘预处理
英文文本挖掘预处理
潜在语义索引(LSI)
非负矩阵分解(NMF)
LDA基础
LDA求解之Gibbs采样算法
LDA求解之变分推断EM算法
scikit-learn LDA主题模型
第三部分 深度学习
深度学习层
核心层
卷积层
池化层
局部连接层
循环层
嵌入层
合并层
高级激活层
归一化层
噪声层
层包裹
自定义层
第二十五课：深度学习
基本概念
深度神经网络（DNN）模型与前向传播算法
深度神经网络（DNN）反向传播算法(BP)
反向传播
反向传播2
DNN损失函数和激活函数的选择
深度神经网络（DNN）的正则化
参考文献
第二十六课 卷积神 经网络(Convolutional Neural Netowrk)
卷积神经网络(CNN)模型结构
卷积神经网络(CNN)前向传播算法
卷积神经网络(CNN)反向传播算法
对抗生成网络(Generative Adversarial Networks)
GAN原理
InfoGAN
DCGAN
VAE
受限波尔兹曼机
RBM code
RNN
Bidirectional RNNs
Deep (Bidirectional) RNNs
LSTM模型与前向反向传播算法
随时间反向传播（BPTT）算法
循环神经网络(RNN)模型与前向反向传播算法
自动编码器
堆叠降噪自动编码器
降噪自动编码器
sparse自动编码器
word2vec
CBOW与Skip-Gram模型基础
基于Hierarchical Softmax的模型
基于Negative Sampling的模型
增强学习
Q-Learning
策略网络
bandit算法
蒙特卡洛树搜索
Powered by
GitBook
堆叠降噪自动编码器
results matching "
"
No results matching "
"