machine-learning-notes
目录
数学基础
微积分
概率论
数理统计
线性代数
数值线性代数
最优化算法
凸集理论
凸集
凸函数
凸优化
约束优化
等式约束优化
不等式约束
罚函数法
增广Largrangian乘子法
ADMM
投影梯度法
无约束优化
一阶算法
基础
梯度下降算法
信頼域
共轭梯度法
nesterov-涅斯捷罗夫
二阶算法
牛顿法系列
牛顿法补充
owl-qn
坐标下降法
非平滑凸函数
次梯度
PGD
ISTA
FISTA
原始对偶内点法
优化碎碎念
随机梯度下降
优化理论的总结
对偶理论
逻辑回归
逻辑回归工程化
softmax
逻辑回归代码
线性回归
一元线性回归
广义线性模型
多元线性回归
收缩方法
lasso补充
岭回归代码
线性回归代码
lasso回归
最大熵模型
信息熵
最大熵
决策树
决策树-基本概念
决策树-算法
随机森林
集成方法
Boosting
boosting-基础
boosting-提升树
boosting-GBDT
XBOOST
SVM
SVN-基础
SVM-线性SVM
SVM-线性支持向量机
SVM-非线性
SVM-SMO
=================
降维
LDA分类器
PCA
SVD
NMF
聚类
聚类基础
kmeans
层次聚类
密度聚类
谱聚类
==================
概率图模型
概率分布
贝叶斯基础
生成模型与判别模型
贝叶斯线性回归与逻辑回归
朴素贝叶斯
朴素贝叶斯代码
EM算法
PLSA模型
LSA
plsa
LDA模型
LDA-概率分布
LDA-采样
LDA-文本建模
LDA-LDA建模
GIBBS实现
Gibbs实现的碎碎念
变分推断-基础
变分推断-原理
变分-碎碎念
变分-LDA
HMM
HMM-基本概念
HMM-概率计算
HMM-学习问题
HMM-预测问题
CRF
CRF-基础
CRF-条件随机场
CRF-概率计算
CRF-学习算法
CRF-预测算法
=================
特征工程
特征工程-例子
特征选择
模型优化
模型评估
模型评估碎碎念
交叉测试
机器学习理论
=================
异常检测
关联规则
Aprior算法
FP-growth算法
代码
python基础
knn
python_线性回归
python_逻辑回归
python_最大熵
python_决策树
python_随机森林
python-GBDT
Powered by
GitBook
目录
机器学习
数学
微积分
概率论
数理统计
线性代数
最优化
线性回归
逻辑回归
稀疏线性模型
最大熵
降维
聚类
决策树
随机森林
boost
SVM
特征工程
数据预处理
统计学习理论
交叉测试
异常检测
关联分析
时间序列
概率图
贝叶斯数学
朴素贝叶斯
贝叶斯线性模型
EM模型
PLSA
LDA
HMM
CRF
https:\/\/www.gitbook.com\/@json0071
results matching "
"
No results matching "
"