机器学习再次升级，实战大神为你开路！(2)
2017-05-12 编辑：
5、Python基础2 - 机器学习库
scikit-learn的介绍和典型使用
损失函数的绘制
多种数学曲线
多项式拟合
快速傅里叶变换FFT
奇异值分解SVD
Soble/Prewitt/Laplacian算子与卷积网络
卷积与(指数)移动平均线
股票数据分析
6、Python基础3 - 数据清洗和特征选择
实际生产问题中算法和特征的关系
股票数据的特征提取和应用
一致性检验
缺失数据的处理
环境数据异常检测和分析
模糊数据查询和数据校正方法、算法、应用
朴素贝叶斯用于鸢尾花数据
GaussianNB/MultinomialNB/BernoulliNB
朴素贝叶斯用于18000+篇/Sogou新闻文本的分类
7、回归
线性回归
Logistic/Softmax回归
广义线性回归
L1/L2正则化
Ridge与LASSO
Elastic Net
梯度下降算法：BGD与SGD
特征选择与过拟合
8、Logistic回归
Sigmoid函数的直观解释
Softmax回归的概念源头
Logistic/Softmax回归
最大熵模型
K-L散度
损失函数
Softmax回归的实现与调参
9、回归实践
机器学习sklearn库介绍
线性回归代码实现和调参
Softmax回归代码实现和调参
Ridge回归/LASSO/Elastic Net
Logistic/Softmax回归
广告投入与销售额回归分析
鸢尾花数据集的分类
交叉验证
数据可视化
10、决策树和随机森林
熵、联合熵、条件熵、KL散度、互信息
最大似然估计与最大熵模型
ID3、C4.5、CART详解
决策树的正则化
预剪枝和后剪枝
Bagging
随机森林
不平衡数据集的处理
利用随机森林做特征选择
使用随机森林计算样本相似度
数据异常值检测
11、随机森林实践
随机森林与特征选择
决策树应用于回归
多标记的决策树回归
决策树和随机森林的可视化
葡萄酒数据集的决策树/随机森林分类
波士顿房价预测
12、提升
提升为什么有效
梯度提升决策树GBDT
XGBoost算法详解
Adaboost算法
加法模型与指数损失
13、提升实践
Adaboost用于蘑菇数据分类
Adaboost与随机森林的比较
XGBoost库介绍
Taylor展式与学习算法
KAGGLE简介
泰坦尼克乘客存活率估计
14、SVM
线性可分支持向量机
软间隔的改进
损失函数的理解
核函数的原理和选择
SMO算法
支持向量回归SVR
15、SVM实践
libSVM代码库介绍
原始数据和特征提取
调用开源库函数完成SVM
葡萄酒数据分类
数字图像的手写体识别
SVR用于时间序列曲线预测
SVM、Logistic回归、随机森林三者的横向比较
16、聚类（上）
各种相似度度量及其相互关系
Jaccard相似度和准确率、召回率
Pearson相关系数与余弦相似度
K-means与K-Medoids及变种
AP算法(Sci07)/LPA算法及其应用
17、聚类（下）
密度聚类DBSCAN/DensityPeak(Sci14)
DensityPeak(Sci14)
谱聚类SC
聚类评价AMI/ARI/Silhouette
LPA算法及其应用
18、聚类实践
K-Means++算法原理和实现
向量量化VQ及图像近似
并查集的实践应用
密度聚类的代码实现
谱聚类用于图片分割
19、EM算法
最大似然估计
Jensen不等式
朴素理解EM算法
精确推导EM算法
EM算法的深入理解
混合高斯分布
主题模型pLSA
20、EM算法实践
多元高斯分布的EM实现
分类结果的数据可视化
EM与聚类的比较
Dirichlet过程EM
三维及等高线等图件的绘制
主题模型pLSA与EM算法
21、主题模型LDA
贝叶斯学派的模型认识
共轭先验分布
Dirichlet分布
Laplace平滑
Gibbs采样详解
22、LDA实践
网络爬虫的原理和代码实现
停止词和高频词
动手自己实现LDA
LDA开源包的使用和过程分析
Metropolis-Hastings算法
MCMC
LDA与word2vec的比较
23、隐马尔科夫模型HMM
概率计算问题
前向/后向算法
HMM的参数学习
Baum-Welch算法详解
Viterbi算法详解
隐马尔科夫模型的应用优劣比较