机器学习

  • 最后更新:2020年1月29日


机器学习是一个研究领域，它赋予计算机学习的能力，而不需要明确的编程。ML是人们可能遇到的最令人兴奋的技术之一。顾名思义，它给了电脑更接近人类的东西:学习能力。今天，机器学习正在被积极地使用，可能在比人们想象的更多的地方。

最近关于机器学习的文章!



作品简介:

  1. 开始学习机器学习
  2. 机器学习概论
  3. 什么是机器学习?
  4. 机器学习中的数据导论
  5. 揭秘机器学习
  6. ML -应用程序
  7. 机器学习的最佳Python库
  8. 人工智能|简介
  9. 机器学习和人工智能
  10. 机器学习和人工智能的区别
  11. 人工智能中的代理
  12. 10个基本的机器学习面试问题

数据及其处理:

  1. 机器学习中的数据导论
  2. 理解数据处理
  3. 使用Sklearn创建测试数据集
  4. Python |为机器学习生成测试数据集
  5. Python中的数据预处理
  6. 数据清理
  7. 特征缩放-第1部分
  8. 特征缩放-第2部分
  9. Python |数据集的标签编码
  10. Python |一个热门的数据集编码
  11. Python中使用SMOTE和Near Miss算法处理不平衡数据

监督式学习:

  1. 分类入门
  2. 分类的基本概念
  3. 回归技术的类型
  4. 分类与回归
  5. ML |类型的学习-监督学习
  6. 使用scikit-learn进行多类分类
  9. Python |实现多项式回归
  10. Softmax回归使用TensorFlow


  12. 朴素贝叶斯分类器

无监督学习:

  1. ML |学习类型-无监督学习
  2. 监督学习和非监督学习
  3. 机器学习中的聚类
  4. 不同类型的聚类算法
  5. K表示聚类-介绍
  6. k在KMeans中最优值的弯头法
  7. ML | k -means++算法
  8. Python中使用K-Means聚类分析测试数据
  9. 小批量K-means聚类算法
  10. 均值漂移聚类
  11. 基于密度的聚类
  12. 使用Sklearn实现DBSCAN算法
  13. 模糊聚类
  14. 谱聚类
  15. 光学聚类
  16. 使用Sklearn实现光学聚类
  17. 等级聚类(聚集性和分裂性聚类)
  18. 使用Sklearn实现凝聚聚类
  19. 高斯混合模型

强化学习:

  1. 强化学习
  2. 强化学习算法:使用Q-learning的Python实现
  3. 汤普森抽样简介
  4. 强化学习的遗传算法
  5. 撒尔沙强化学习
  6. 在Python中q学习的

降维:

  1. 降维导论
  2. 核主成分分析简介
  3. 主成分分析(PCA)
  4. 用Python进行主成分分析
  5. 独立分量分析
  6. 特征映射
  7. 额外的树分类器用于特征选择
  8. 特征选择的卡方检验-数学解释
  9. ML | t分布随机邻居嵌入(t-SNE)算法
  10. 如何以及在哪里应用功能扩展?
  11. 特征选择参数
  12. 机器学习中的过拟合和过拟合

自然语言处理:



  1. 自然语言处理导论
  2. Python |中的文本预处理集- 1
  3. Python |中的文本预处理集2
  4. 在Python中使用NLTK删除停止词
  5. 在python中使用NLTK标记文本
  6. 如何对文本、句子、单词进行标记
  7. 介绍阻止
  8. 用NLTK词干单词
  9. 词元化与NLTK
  10. 词元化与TextBlob
  11. 如何从NLTK WordNet在Python中获得同义词/反义词?

神经网络:

  1. 人工神经网络|简介
  2. 人工神经网络|集简介
  3. 人工神经网络|集3(混合系统)
  4. ANN | Set 4(网络架构)简介
  5. 激活功能
  6. 用Python实现人工神经网络训练过程
  7. Python中的单个神经元神经网络
  11. 深度q学习入门
  12. 使用Tensorflow实现深度Q-Learning

ML -用途:

  1. 利用线性回归预测降雨
  2. 在PyTorch中使用逻辑回归识别手写数字
  3. 使用逻辑回归分析威斯康星的Kaggle乳腺癌诊断
  4. 电影推荐系统的Python |实现
  5. 支持向量机识别人脸特征的c++语言
  6. 决策树-假(假)硬币拼图(12个硬币拼图)
  7. 信用卡欺诈侦测
  8. 餐厅评论的NLP分析
  9. 多项式朴素贝叶斯在NLP问题中的应用
  10. 使用K-means聚类进行图像压缩
  11. 深度学习|图像标题生成使用复仇者联盟的终局游戏角色
  12. 谷歌如何使用机器学习?
  13. NASA如何使用机器学习?
  14. Facebook使用机器学习的5种惊人方式
  15. 使用机器学习的定向广告
  16. 机器学习是如何被著名公司使用的?

Misc:

  1. 模式识别|简介
  2. 计算二值分类器的效率
  3. 逻辑回归v/s决策树分类
  4. 数据科学中的R vs Python
  5. A3C算法所涉及的基本功能说明
  6. 差分隐私和深度学习
  7. 人工智能vs机器学习vs深度学习
  8. 介绍多任务学习(MTL)的深度学习
  9. 每个机器学习工程师都应该知道的10种算法
  10. 用于机器学习的Azure虚拟机
  11. 机器学习需要30分钟
  12. 机器学习中的AutoML是什么?
  13. 机器学习中的混淆矩阵



我个人的笔记 arrow_drop_up