机器学习系列阶段总结！
1. 机器学习（1）之入门概念
2. 机器学习（2）之过拟合与欠拟合
3. 机器学习（3）之最大似然估计
4. 机器学习（4）之线性判别式（附Python源码）
5. 机器学习(5)之决策树ID3及Python实现
6. 机器学习(6)之朴素贝叶斯NB及实例
7. 机器学习(7)之感知机python实现
8. 机器学习(8)之范数正则与Lasso详解
9. 机器学习(9)之ID3算法详解及python实现
10. 机器学习(10)之趣味案例理解朴素贝叶斯
11. 机器学习(11)之C4.5详解与Python实现（从解决ID3不足的视角）
12. 机器学习(12)之决策树总结与python实践(~附源码链接~)
13. 机器学习（13）之最大熵模型详解
14. 机器学习（14）之评价准则RoC与PR
15. 机器学习（15）之支持向量机原理(一)线性支持向量机
16. 机器学习(16)之支持向量机原理(二)软间隔最大化
17. 机器学习(17)之集成学习原理总结
18. 机器学习(18)之支持向量机原理(三)线性不可分支持向量机与核函数
19. 机器学习(19)之支持向量回归机
20. 机器学习(20)之Adaboost算法原理小结
21. 机器学习(21)之scikit-learn Adaboost类库的实战分析
22. 机器学习(22)之Apriori算法原理总结
23. 机器学习(23)之GBDT详解
24. 机器学习(24)之Bagging与随机森林
25. 机器学习(25)之K-Means聚类算法详解
26. 机器学习(26)之K-Means实战与调优详解
27. 机器学习(27)【降维】之主成分分析(PCA)详解
28. 机器学习(28)【降维】之sklearn中PCA库讲解与实战
29. 机器学习(29)之奇异值分解SVD原理与应用详解
30. 机器学习(30)之线性判别分析(LDA)原理详解
31. 机器学习(31)之频繁集挖掘FP Tree详解
32. 机器学习(32)之典型相关性分析(CCA)详解 【文末有福利......】
33. 机器学习(33)之局部线性嵌入(LLE)【降维】总结
34. 机器学习(34)之BIRCH层次聚类详解
35. 机器学习(35)之PrefixSpan算法原理详解
36. 机器学习(36)之协同过滤典型算法概述【精华】
37. 机器学习（37）之矩阵分解在协同过滤推荐中的应用
资源分享系列
01.干货分享 | 新一波机器学习资料汇总（已完结...）
02.干货分享 | 最近机器学习视频教程与数据集下载（持续更新......）
03.Python数据分析相关资料整理（博客&视频链接）
04.机器学习资料整理(欢迎补充)
05.经典机器学习书籍推荐
06. 资源下载 | 历史视频教程资源大汇总（内置百度云盘链接）
07.干货 | 从入门到放弃：21种机器学习算法详解，附多种下载方式
08. 福利 | 最全面超大规模数据集下载链接汇总
深度学习连载系列
01. 深度学习之DNN与前向传播算法
02.深度学习之DNN与反向传播算法
03. 干货 | 深度学习之损失函数与激活函数的选择
04.干货 | 深度学习之DNN的多种正则化方式
05.干货 | 深度学习之卷积神经网络(CNN)的模型结构
06.干货 | 深度学习之卷积神经网络（CNN）的前向传播算法详解
07.干货 | 深度学习之CNN反向传播算法详解
干货系列
01. AIOps核心任务：任务机器人在金融领域中的落地（附文件下载）
02. 一篇文章讲清楚人工智能、机器学习和深度学习的区别与联系
03. 推荐 | 值得加入的AI公司不只有BAT、FLAG与TMDJ，还有这些！！！
04.程序猿媳妇儿注意事项！（文末高能）
05.干货 | 台大“一天搞懂深度学习”课程PPT（下载方式见文末！！）
06.趣味机器学习入门小项目（附教程与数据）
07. 推荐 | 一文读懂深度学习与机器学习的差异
08. 值的收藏的干货 | 如何用Python实现常见机器学习算法
09. 干货 | 高盛：2017人工智能报告中文版（附PDF版下载）
10. 推荐 | Python-ML中最常用的5张速查表（高清）
11. 【强烈推荐】：关于系统学习数据挖掘（Data Mining）的一些建议！！
12. 关于处理样本不平衡问题的Trick整理
13. 长文 | 一文读懂什么是机器学习
14. 资料 | Python的14张思维导图（可后台下载）
15. 值得收臧 | 从零开始搭建带GPU加速的深度学习环境(操作系统、驱动和各种机器学习库)
16. 推荐 | CVPR2017关于如何解释深度学习模型的讲座（附视频与PPT）
  1. PCA实现一个简单的酒店推荐系统（附Python源码）
  2. 基于机器学习的文本情感极性分析
  3. Python做文本挖掘的情感极性分析（基于情感词典的方法）
  4. GBDT入门教程之原理、所解决的问题、应用场景讲解
  5. 解决分类样本不平衡问题 ~ ML&DM面试高频问题
  6. 高斯混合聚类(GMM)及代码实现
  7. Adaboost从原理到实现（Python）
  8. Delicious和Hacker News--基于用户投票的排名算法
  9. 协同过滤原理及Python实现
  10. RBF神经网络及Python实现（附源码）
  11. 支持向量机Python实现(附源码与数据)
  12. SoftMax回归详解
  13. 线性分类(SoftMax) - 下篇
  14. 梯度检验与高级优化
  15. 线性分类器-中篇
  16. 线性分类器
  17. 反向传播算法
  18. 神经网络
  19. CS231n课程笔记翻译：图像分类笔记（下）
  20. CS231n课程笔记翻译：图像分类笔记（上）
  21. kNN之改进约会网站配对效果(附源码)
  22. KNN算法实战-改进约会网站配对效果
  23. TF-IDF与余弦相似性的应用-自动提取关键词
  24. 蒙特卡洛方法入门
  25. 趣味理解朴素贝叶斯
  26. 机器学习资料整理(欢迎补充)
  27. 机器学习福利--Hinton大牛的Neural Network for Machine Learning
  28. EM算法
  29. 集成学习(EL)综述
  30. 多层网络与反向传播算法详解
  31. Neural Networks for Machine Learning-2
  32. Neural Networks for Machine Learning-1
  33. 经典机器学习书籍推荐
  34. 解决决策树的过拟合
  35. 群体智能-果蝇算法
  36. 模糊最小二乘支持向量机
  37. 随机森林与GBDT
  38. Machine Learning -- 主动学习(AL)
  39. Machine Learning -- EM算法
  40. Machine Learning -- Bayesian network
  41. Machine Learning -- GBDT(RF)
  42. Machine Learning -- Boosting
  43. Machine learning -- CART
  44. Machine learning -- C4.5算法详解及Python实现
  45. Machine Learning -- ID3算法
  46. Machine Learning -- Naive Bayes(朴素贝叶斯)
  47. Machine Learning -- 11种相似性度量方法(总结版)
  48. 脉络清晰的BP神经网络讲解
  49. 机器学习(8) -- 降维
  50. 机器学习(7) -- k-means 聚类
  51. 机器学习(6) -- SVM
  52. 机器学习(5) -- 模型评估与选择
  53. 机器学习(4) --神经网络(part two)
  54. 机器学习(4) -- 神经网络
  55. 机器学习(3) -- 贝叶斯及正则化
  56. 机器学习(2) -- logistic regression
  57. 0-1整数规划与隐枚举法-感受剪枝的魅力
  58. 基于稀疏化鲁棒LS-SVR与多目标优化的铁水硅含量软测量建模
  59. 最小二乘支持向量回归机(LS-SVR)
  60. 支持向量机之SMO-------7
  61. 支持向量机之最小二乘(LS)-------6
  62. 支持向量机(SVM)之Mercer定理与损失函数----5
  63. 支持向量机（SVM）--(4)
  64. 支持向量机（SVM）--3
  65. 距离和相似性度量在机器学习中的使用统计
  66. 支持向量机(SVM) （2）
  67. 初步了解支持向量机(SVM)-1
  68. 线性分类与Principal Component Analysis
  69. 模型组合之梯度提升(Gradient Boosting)
  70. 线性回归与评价指标-2
  71. 回归预测之入门
投稿、商业合作
请发邮件到：[email protected]
长按识别二维码关注我们
继续阅读
阅读原文