俠的機器學習筆記

使用博客來記錄自己的機器學習過程，筆記是通過網絡、書籍以及自我總結而成的。

本筆記分為五部分：

機器學習基礎

監督學習算法

無監督學習算法

深度學習算法

強化學習算法

所有已完成的筆記都會發布到 CSDN Blog 上，感興趣的小伙伴可以關注一下，我將會堅持更新機器學習以及深度學習的筆記。所有的筆記都是由 Jupyter Notebook 寫成的，Notebook 可以在這個 Github 庫內找到。

Q：為什么文章經常會變成 404 ？
A：因為我會經常更新以前的文章，而修改過的文章需要一段時間進行審核。

關于各類機器學習算法的優點，可以參考這篇文章

關于各類機器學習算法的應用場合，可以參考這篇文章

PS：監督學習中分類算法和回歸算法并沒有嚴格的界限，分類算法可以做回歸，而回歸算法也可以做分類。但為了方便起見，因此將按算法首次提出時的目的進行區分。

---

1. 機器學習基礎

• 機器學習 | 分類評估指標

• 機器學習 | 回歸評估指標

• 機器學習 | 聚類評估指標

• 機器學習 | 距離計算

• 機器學習 | 模型選擇

• 機器學習 | 特征縮放

• 機器學習 | 網絡搜索及可視化

• 機器學習 | 梯度下降原理及Python實現

• 機器學習 | 早期停止法原理及Python實現

• 機器學習 | EM 算法原理

---

2. 監督學習

2.1 分類算法

• 機器學習 | 分類評估指標

貝葉斯

• 監督學習 | 樸素貝葉斯原理及Python實現
• 監督學習 | 樸素貝葉斯之Sklearn實現

決策樹

• 監督學習 | ID3 決策樹原理及Python實現
• 監督學習 | ID3 & C4.5 決策樹原理
• 監督學習 | CART 分類回歸樹原理
• 監督學習 | 決策樹之Sklearn實現
• 監督學習 | 決策樹之網絡搜索

SVM 支持向量機

• 監督學習 | SVM 之線性支持向量機原理
• 監督學習 | SVM 之非線性支持向量機原理
• 監督學習 | SVM 之支持向量機Sklearn實現

KNN K近鄰

• 監督學習 | KNN K近鄰原理及Sklearn實現

---

2.2 回歸算法

• 機器學習 | 回歸評估指標

多元線性回歸

• 監督學習 | 線性回歸 之多元線性回歸原理及Sklearn實現

正則線性模型

• 監督學習 | 線性回歸 之正則線性模型原理及Sklearn實現
• 監督學習 | 線性回歸 之Softmax回歸原理及Sklearn實現

Logistic 回歸分類器

• 監督學習 | 線性分類 之Logistic回歸原理及Sklearn實現

非線性回歸

• 監督學習 | 非線性回歸 之多項式回歸原理及Sklearn實現

---

2.3 集成方法

Bagging、隨機森林

• 監督學習 | 集成學習 之Bagging、隨機森林及Sklearn實現

AdaBoost

• 監督學習 | 集成學習 之AdaBoost原理及Slearn實現

---

3. 無監督學習

3.1 聚類算法

• 機器學習 | 聚類評估指標
• 機器學習 | 距離計算

原型聚類 - KMeans K均值

• 無監督學習 | KMeans 與 KMeans++ 原理
• 無監督學習 | KMeans 之Sklearn實現：電影評分聚類

層次聚類 - 凝聚聚類

• 無監督學習 | 層次聚類 之凝聚聚類原理及Sklearn實現

密度聚類 - DBSCAN

• 無監督學習 | DBSCAN 原理及Sklearn實現

概率聚類 - GMM 高斯混合

• 無監督學習 | GMM 高斯混合聚類原理及Sklearn實現

---

3.2 降維算法

PCA 主成分分析

• 無監督學習 | PCA 主成分分析原理及Sklearn實現

• 無監督學習 | PCA 主成分分析之客戶分類

隨機投影

• 無監督學習 | 隨機投影原理及Sklearn實現

ICA 獨立成分分析

• 無監督學習 | ICA 獨立成分分析原理及Sklearn實現

4. 深度學習

深度學習基礎

BP 神經網絡

CNN 卷積神經網絡

5. 強化學習

強化學習基礎

動態規劃

蒙特卡洛模擬

時間差分

深度 Q 學習

策略梯度

行動者-評論者方法

總結

以上是生活随笔為你收集整理的机器学习 | 目录（持续更新）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。