現將自己機器學習方面的學習筆記整理如下,後續還會繼續更新:
- 機器學習基本概念
- 監督學習、非監督學習、批量學習、在線學習、基於實例學習、基於模型學習
- 經驗風險最小化與結構風險最小化
- 模型評估與選擇(留出法、交叉驗證法、查全率、查準率、偏差、方差)
- 線性迴歸原理推導與算法描述
- 最優化方法:梯度下降法
- 一文讀懂正則化與LASSO迴歸,Ridge迴歸
- 邏輯斯蒂迴歸原理推導與求解
- 多項邏輯斯蒂迴歸/softmax迴歸推導與求解
- 決策樹生成與剪枝詳解
- 決策樹詳解之分類與迴歸樹(CART)
- 集成學習概述
- Bagging與隨機森林原理與算法描述
- Boosting與AdaBoost分類與迴歸原理詳解與公式推導
- Stacking與K折交叉驗證
- 深入剖析梯度提升決策樹(GBDT)分類與迴歸
- LP距離、歐式距離、曼哈頓距離、切比雪夫距離
- K近鄰法(KNN)與kd樹原理詳解
- K-Means聚類及其變體
- 深入剖析主成分分析(PCA)與協方差矩陣
- 非線性降維與核主成分分析KPCA
- 基於密度的聚類DBSCAN
- 特徵選擇(過濾式、包裹式、嵌入式)
- 感知機原理詳解
- 神經網絡詳解
- 拉格朗日乘子法
- 二次規劃
- 支持向量機原理與序列最小最優化算法SMO