Hello, World!
机器学习文档
集成学习方法
决策树算法总结 https://mp.weixin.qq.com/s/tevVm0jlS6vZ3LCnczWD0w 集成学习原理总结 https://mp.weixin.qq.com/s/i_Y9r4PM-xVEQ7SncRfE_g 随机森林算法总结 https://mp.weixin.qq.com/s/bSNAN0Ki4xizKbseWzrSxg 随机森林算法参数解释及调优 https://mp.weixin.qq.com/s/hiyjuCWSCOzdF55DU5XkUw AdaBoost算法总结(一) https://mp.weixin.qq.com/s/Q4az1uFIEmjonKfu_eEmAQ AdaBoost算法总结(二) https://mp.weixin.qq.com/s/z34fVtc-4eI_b64JUF9_fg AdaBoost项目实战：参数择优与泛化能力 https://mp.weixin.qq.com/s/7MzoixbE8rt9Y6oTV4o0ig 梯度提升树算法原理小结 https://mp.weixin.qq.com/s/cRKkvicgFcYkSYQqrBIIpQ scikit-learn 梯度提升树(GBDT)算法实战 https://mp.weixin.qq.com/s/dS2kQ_JjHsvJyKWFrKd6aQ XGBoost算法原理小结 https://mp.weixin.qq.com/s/wDPu_nUYODwSRwJJa8nouw XGBoost之切分点算法 https://mp.weixin.qq.com/s/v9yF5KK2eVJOQ5UOYx4jPA
支持向量机
浅析感知机学习算法 https://mp.weixin.qq.com/s/PxL-glGrOI4glCQbwzSRXQ 支持向量机(一)：支持向量机的分类思想 https://mp.weixin.qq.com/s/cKQYk3817cnlWMVGLt8tLw 支持向量机(二)：算法详细解析 https://mp.weixin.qq.com/s/x2UGq0Zft0dxhFqfA6I1Lw 支持向量机(三)：图解KKT条件和拉格朗日乘子法 https://mp.weixin.qq.com/s/5V2Nx3c0ewTIoZtFkN0q2g 深入浅出核函数 https://mp.weixin.qq.com/s/fbuGqAfPo9uRSLctJSyDow 支持向量机：SMO算法剖析 https://mp.weixin.qq.com/s/s0d7ZoQOjtpWKlrfbVfVmA 支持向量机应用：人脸识别 https://mp.weixin.qq.com/s/g04ci5LfhL73XopcGLQv9g
线性回归与分类模型
线性回归：不能忽视的三个问题 https://mp.weixin.qq.com/s/cL7xzaofVsocqXc54eYP8g 深入理解线性回归算法(一) https://mp.weixin.qq.com/s/mMhhyvlbt2t6ypbU-JN9mg 深入理解线性回归算法(二)：正则项的详细分析 https://mp.weixin.qq.com/s/RJi6PKAfTSIkVrd8kNZDEw 线性分类模型(一)：线性判别模型分析 https://mp.weixin.qq.com/s/3Owz3z64kMDiHP9WLd6i2A 线性分类模型(二)：logistic回归模型分析 https://mp.weixin.qq.com/s/owT0BubsfAYpjmZZTAXblQ 比较全面的L1和L2正则化解释 https://mp.weixin.qq.com/s/OWQU9jM-ZItcy1antSwZxw 正则化方法小结 https://mp.weixin.qq.com/s/CDMBQPgzcrjbZ_sX01q2hQ
贝叶斯思想
浅谈频率学派和贝叶斯学派 https://mp.weixin.qq.com/s/wuHq99vDNzI0Lx3eIqXAbw 浅谈先验分布和后验分布 https://mp.weixin.qq.com/s/J6mBP8Fa6XOSITM1pXNN4w 贝叶斯分析：抛硬币的概率真的是1/2吗 https://mp.weixin.qq.com/s/qzklm0v6CsV4mYvLLlyWZw
机器学习基础与模型评估方法
从机器学习谈起 https://mp.weixin.qq.com/s/ahFjcIrsxNZ37USV-jFdEQ 机器学习概论 https://mp.weixin.qq.com/s/dB10CjlNVMkP6rYg7_CVSw 机器学习算法常用指标总结 https://mp.weixin.qq.com/s/u0sAIXYDC1_8JkvXu7_ozw 模型优化的风向标:偏差与方差 https://mp.weixin.qq.com/s/OvXcU7GO7Td8r8pWQ9NBNQ 机器学习模型评估方法 https://mp.weixin.qq.com/s/Vlxq2dd2q0QJdAjmSl0tQg 机器学习模型性能评估(一)：错误率与精度 https://mp.weixin.qq.com/s/Dq_87Lrd_KA63szbjFsnbQ 机器学习模型性能评估(二)：P-R曲线和ROC曲线 https://mp.weixin.qq.com/s/cr142o9DZ7KCYuxGPQNQRA 机器学习模型性能评估(三)：代价曲线 https://mp.weixin.qq.com/s/4RMrcYiZ7OGKLH5p6u3qnw
机器学习预处理
非参数性的正态检验 https://mp.weixin.qq.com/s/dcS-usNqPetmokFXc-oTvQ 偏度与峰度的正态性分布判断 https://mp.weixin.qq.com/s/VgwRuEIyvsC5K8dtgIjDuQ 基于Q-Q图的正态性分布 https://mp.weixin.qq.com/s/_UTKNcOgKQcCogk2C2tsQQ
神经网络
浅谈logistic函数和softmax函数 https://mp.weixin.qq.com/s/QHk0E9rdZ6wr5q8ZG00TnA 神经网络浅讲：从神经元到深度学习(一) https://mp.weixin.qq.com/s/neGvg57iWwVfrvoS60HXnQ 神经网络浅讲：从神经元到深度学习(二) https://mp.weixin.qq.com/s/fKpq-wxW2OJVFPfuBeewew
机器学习数学
常见的几种最优化方法 https://mp.weixin.qq.com/s/OTM6hapEWblwRQJJqyN-0Q 拉格朗日乘数法 https://mp.weixin.qq.com/s/PQXr5WZ8cnOLOGOOZCZcSg 为什么梯度是函数变化最快的方向 https://mp.weixin.qq.com/s/2E3LRtWPlxgpRRARVpWa_w 梯度下降法的三种形式BGD、SGD以及MBGD https://mp.weixin.qq.com/s/dWEQTSKn28ySKf8rs5hnmA 为什么要对数据进行归一化处理 https://mp.weixin.qq.com/s/3yGKW1DIAlzzrKCR0U9eag 机器学习中的相似性度量总结 https://mp.weixin.qq.com/s/I1ovA7e98sLZHX0RVihmyA
K近邻算法
K近邻算法(KNN)原理小结 https://mp.weixin.qq.com/s/5EL3Q85v4Bo1ewnA-ZDbIQ
机器学习资源
来看看这20个顶尖的开源项目 https://mp.weixin.qq.com/s/yYBSDxGNa4VVs0HrNThM4A