机器学习 | 目录（持续更新）

侠的机器学习笔记

使用博客来记录自己的机器学习过程，笔记是通过网络、书籍以及自我总结而成的。

本笔记分为五部分：

1. 机器学习基础
2. 监督学习算法
3. 无监督学习算法
4. 深度学习算法
5. 强化学习算法

所有已完成的笔记都会发布到 CSDN Blog 上，感兴趣的小伙伴可以关注一下，我将会坚持更新机器学习以及深度学习的笔记。所有的笔记都是由 Jupyter Notebook 写成的，Notebook 可以在这个 Github 库内找到。

Q：为什么文章经常会变成 404 ？
A：因为我会经常更新以前的文章，而修改过的文章需要一段时间进行审核。

关于各类机器学习算法的优点，可以参考这篇文章

关于各类机器学习算法的应用场合，可以参考这篇文章

PS：监督学习中分类算法和回归算法并没有严格的界限，分类算法可以做回归，而回归算法也可以做分类。但为了方便起见，因此将按算法首次提出时的目的进行区分。

---

1. 机器学习基础

• 机器学习 | 分类评估指标

• 机器学习 | 回归评估指标

• 机器学习 | 聚类评估指标

• 机器学习 | 距离计算

• 机器学习 | 模型选择

• 机器学习 | 特征缩放

• 机器学习 | 网络搜索及可视化

• 机器学习 | 梯度下降原理及Python实现

• 机器学习 | 早期停止法原理及Python实现

• 机器学习 | EM 算法原理

---

2. 监督学习

2.1 分类算法

• 机器学习 | 分类评估指标

贝叶斯

• 监督学习 | 朴素贝叶斯原理及Python实现
• 监督学习 | 朴素贝叶斯之Sklearn实现

决策树

• 监督学习 | ID3 决策树原理及Python实现
• 监督学习 | ID3 & C4.5 决策树原理
• 监督学习 | CART 分类回归树原理
• 监督学习 | 决策树之Sklearn实现
• 监督学习 | 决策树之网络搜索

SVM 支持向量机

• 监督学习 | SVM 之线性支持向量机原理
• 监督学习 | SVM 之非线性支持向量机原理
• 监督学习 | SVM 之支持向量机Sklearn实现

KNN K近邻

• 监督学习 | KNN K近邻原理及Sklearn实现

---

2.2 回归算法

• 机器学习 | 回归评估指标

多元线性回归

• 监督学习 | 线性回归 之多元线性回归原理及Sklearn实现

正则线性模型

• 监督学习 | 线性回归 之正则线性模型原理及Sklearn实现
• 监督学习 | 线性回归 之Softmax回归原理及Sklearn实现

Logistic 回归分类器

• 监督学习 | 线性分类 之Logistic回归原理及Sklearn实现

非线性回归

• 监督学习 | 非线性回归 之多项式回归原理及Sklearn实现

---

2.3 集成方法

Bagging、随机森林

• 监督学习 | 集成学习 之Bagging、随机森林及Sklearn实现

AdaBoost

• 监督学习 | 集成学习 之AdaBoost原理及Slearn实现

---

3. 无监督学习

3.1 聚类算法

• 机器学习 | 聚类评估指标
• 机器学习 | 距离计算

原型聚类 - KMeans K均值

• 无监督学习 | KMeans 与 KMeans++ 原理
• 无监督学习 | KMeans 之Sklearn实现：电影评分聚类

层次聚类 - 凝聚聚类

• 无监督学习 | 层次聚类 之凝聚聚类原理及Sklearn实现

密度聚类 - DBSCAN

• 无监督学习 | DBSCAN 原理及Sklearn实现

概率聚类 - GMM 高斯混合

• 无监督学习 | GMM 高斯混合聚类原理及Sklearn实现

---

3.2 降维算法

PCA 主成分分析

• 无监督学习 | PCA 主成分分析原理及Sklearn实现

• 无监督学习 | PCA 主成分分析之客户分类

随机投影

• 无监督学习 | 随机投影原理及Sklearn实现

ICA 独立主成分分析

• 无监督学习 | ICA 独立主成分分析原理及Sklearn实现

4. 深度学习

深度学习基础

BP 神经网络

CNN 卷积神经网络

5. 强化学习

强化学习基础

动态规划

蒙特卡洛模拟

时间差分

深度 Q 学习

策略梯度

行动者-评论者方法