版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/JasonDing1354/article/details/43876161
机器学习基础系列文章
- 机器学习基础引入
- 机器学习算法的分类
- 生成模型和判别模型
- 从感知机模型说起
- 理解为什么机器可以学习——PAC学习模型
- 理解为什么机器可以学习——Hoeffding不等式
- 理解为什么机器可以学习——VC理论
- VC维与模型复杂度、样本复杂度
- 噪声与误差
- 线性回归基础
- Logistic回归基础
- 将回归模型用于分类问题
- 非线性变换
- 过拟合
- 验证
- 机器学习中的三个技巧原则
- 线性可分支持向量机
- 对偶支持向量机
- 核支持向量机
- 软间隔支持向量机
- 核逻辑回归
- 支持向量回归
- 混合和装袋
- 自适应提升
- 决策树算法
- 随机森林算法
- 梯度提升决策树
机器学习的数学背景系列文章
机器学习实验系列文章
有关Python的科学计算和机器学习库的使用和学习实例，请参考我的github项目pyDataScienceToolkits_Base，喜欢就给我star哦！
- 用Python进行机器学习实验
- 学习Python来分类现实世界的数据
- 概率编程及贝叶斯方法
- scikit-learn的主要模块和基本使用
- 用随机森林分类算法解决Biologial Response问题
- 使用朴素贝叶斯进行文本的分类
- scikit-learn的线性回归模型
- 如何进行模型参数的选择
- 交叉验证及其用于参数选择、模型选择、特征选择的例子
- 网格搜索来进行高效的参数调优
- 评估分类器性能的度量，像混淆矩阵、ROC、AUC等