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。
本筆記分爲五部分：
- 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，感興趣的小夥伴可以關注一下，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：爲什麼文章經常會變成 404 ？
A：因爲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覈。
關於各類機器學習算法的優點，可以參考這篇文章
關於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迴歸算法並沒有嚴格的界限，分類算法可以做迴歸，而回歸算法也可以做分類。但爲了方便起見，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
2. 監督學習
2.1 分類算法
貝葉斯
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 分類迴歸樹原理
- 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
KNN K近鄰
- 監督學習 | KNN K近鄰原理及Sklearn實現
2.2 迴歸算法
多元線性迴歸
正則線性模型
- 監督學習 | 線性迴歸 之正則線性模型原理及Sklearn實現
- 監督學習 | 線性迴歸 之Softmax迴歸原理及Sklearn實現
Logistic 迴歸分類器
非線性迴歸
2.3 集成方法
Bagging、隨機森林
AdaBoost
3. 無監督學習
3.1 聚類算法
原型聚類 - KMeans K均值
層次聚類 - 凝聚聚類
密度聚類 - DBSCAN
概率聚類 - GMM 高斯混合
3.2 降維算法
PCA 主成分分析
隨機投影
- 無監督學習 | 隨機投影原理及Sklearn實現
ICA 獨立主成分分析
- 無監督學習 | ICA 獨立主成分分析原理及Sklearn實現