电子专栏：微信专栏
- 1.1 安装Conda
- 1.2 使用Conda
- 1.3 开发环境
- 2.1 模型的建立与求解
- 2.2多变量线性回归
- 2.3 多项式回归
- 2.4 回归模型评估
- 2.5 梯度下降
- 2.6 正态分布
- 2.7 目标函数推导
- 3.1 模型的建立与求解
- 3.2 多分类任务
- 3.3 常见的分类评估指标
- 3.4 目标函数推导
- 4.1 基本概念
- 4.2 特征标准化
- 4.3 过拟合
- 4.4 正则化
- 4.5 偏差、方差与交叉验证
- 4.6 实例分析手写体识别
- 5.1 K近邻思想
- 5.2 K近邻原理
- 5.3 sklearn接口与示例代码
- 5.4 kd树
- 5.5 从零实现K近邻
- 6.1 词袋模型
- 6.2 基于$K$近邻算法的垃圾邮件分类
- 6.3 考虑权重的词袋模型
- 6.4 词云图
- 7.1 朴素贝叶斯算法
- 7.2 贝叶斯估计
- 7.3 从零实现朴素贝叶斯算法
- 7.4 多项式朴素贝叶斯原理与实现
- 7.5 高斯朴素贝叶斯原理与实现
- 8.1 决策树的基本思想
- 8.2 决策树的生成之ID3与C4.5
- 8.3 决策树生成与可视化
- 8.4 决策树剪枝
- 8.5 从零实现ID3与C4.5决策树算法
- 8.6 连续型特征变量下决策树实现
- 8.7 CART生成与剪枝算法
- 8.8 从零实现CART决策树算法
- 9.1 集成学习
- 9.2 随机森林
- 9.3 泰坦尼克号生还预测
- 9.4 AdaBoost原理与实现
- 9.5 MultiAdaboost原理与实现
- 9.6 GradientBoosted原理与实现
- 10.1 SVM思想
- 10.2 SVM线性不可分
- 10.3 SVM原理
- 10.4 SVM中的软间隔
- 10.5 拉格朗日乘数法
- 10.6 对偶性与KKT条件
- 10.7 SVM优化问题
- 10.8 SVM核函数原理
- 10.9 SMO算法
- 10.10 从零实现SVM分类算法
- 11.1 聚类算法的思想
- 11.2 Kmeans聚类算法
- 11.3 Kmeans算法求解
- 11.4 从零实现kmeans聚类算法
- 11.5 Kmeans++聚类算法
- 11.6 聚类外部评估指标
- 11.7 加权kmeans聚类算法
- 11.8 聚类内部评估指标
- 11.9 聚类K值选取与分析
- 11.10 基于密度的聚类
- 11.11 基于层次的聚类
- 12.1 主成分分析
- 12.2 基于核方法的主成分分析
- 13.1 Self-training自训练算法
- 13.2 Label Propagation标签传播算法
- 13.3 Label Spreading标签传播算法