機器學習匯總，珍藏版！
機器學習系列階段總結！
1.
機器學習（1）之入門概念
2.
機器學習（2）之過擬合與欠擬合
3.
機器學習（3）之最大似然估計
4.
機器學習（4）之線性判別式（附Python源碼）
5.
機器學習(5)之決策樹ID3及Python實現
6.
機器學習(6)之樸素貝葉斯NB及實例
7.
機器學習(7)之感知機python實現
8.
機器學習(8)之範數正則與Lasso詳解
9.
機器學習(9)之ID3演算法詳解及python實現
10.
機器學習(10)之趣味案例理解樸素貝葉斯
11.
機器學習(11)之C4.5詳解與Python實現（從解決ID3不足的視角）
12.
機器學習(12)之決策樹總結與python實踐(~附源碼鏈接~)
13.
機器學習（13）之最大熵模型詳解
14.
機器學習（14）之評價準則RoC與PR
15.
機器學習（15）之支持向量機原理(一)線性支持向量機
16.
機器學習(16)之支持向量機原理(二)軟間隔最大化
17.
機器學習(17)之集成學習原理總結
18.
機器學習(18)之支持向量機原理(三)線性不可分支持向量機與核函數
19.
機器學習(19)之支持向量回歸機
20.
機器學習(20)之Adaboost演算法原理小結
21.
機器學習(21)之scikit-learn Adaboost類庫的實戰分析
22.
機器學習(22)之Apriori演算法原理總結
23.
機器學習(23)之GBDT詳解
24.
機器學習(24)之Bagging與隨機森林
25.
機器學習(25)之K-Means聚類演算法詳解
26.
機器學習(26)之K-Means實戰與調優詳解
27.
機器學習(27)【降維】之主成分分析(PCA)詳解
28.
機器學習(28)【降維】之sklearn中PCA庫講解與實戰
29.
機器學習(29)之奇異值分解SVD原理與應用詳解
30.
機器學習(30)之線性判別分析(LDA)原理詳解
31.
機器學習(31)之頻繁集挖掘FP Tree詳解
32.
機器學習(32)之典型相關性分析(CCA)詳解 【文末有福利......】
33.
機器學習(33)之局部線性嵌入(LLE)【降維】總結
34.
機器學習(34)之BIRCH層次聚類詳解
35.
機器學習(35)之PrefixSpan演算法原理詳解
36.
機器學習(36)之協同過濾典型演算法概述【精華】
37.
機器學習（37）之矩陣分解在協同過濾推薦中的應用
資源分享系列
01.
乾貨分享 | 新一波機器學習資料匯總（已完結...）
02.
乾貨分享 | 最近機器學習視頻教程與數據集下載（持續更新......）
03.
Python數據分析相關資料整理（博客&視頻鏈接）
04.
機器學習資料整理(歡迎補充)
05.
經典機器學習書籍推薦
06.
資源下載 | 歷史視頻教程資源大匯總（內置百度雲盤鏈接）
07.
乾貨 | 從入門到放棄：21種機器學習演算法詳解，附多種下載方式
08.
福利 | 最全面超大規模數據集下載鏈接匯總
深度學習連載系列
01.
深度學習之DNN與前向傳播演算法
02.
深度學習之DNN與反向傳播演算法
03.
乾貨 | 深度學習之損失函數與激活函數的選擇
04.
乾貨 | 深度學習之DNN的多種正則化方式
05.
乾貨 | 深度學習之卷積神經網路(CNN)的模型結構
06.
乾貨 | 深度學習之卷積神經網路（CNN）的前向傳播演算法詳解
07.
乾貨 | 深度學習之CNN反向傳播演算法詳解
乾貨系列
01.
AIOps核心任務：任務機器人在金融領域中的落地（附文件下載）
02.
一篇文章講清楚人工智慧、機器學習和深度學習的區別與聯繫
03.
推薦 | 值得加入的AI公司不只有BAT、FLAG與TMDJ，還有這些！！！
04.
程序猿媳婦兒注意事項！（文末高能）
05.
乾貨 | 台大「一天搞懂深度學習」課程PPT（下載方式見文末！！）
06.
趣味機器學習入門小項目（附教程與數據）
07.
推薦 | 一文讀懂深度學習與機器學習的差異
08.
值的收藏的乾貨 | 如何用Python實現常見機器學習演算法
09.
乾貨 | 高盛：2017人工智慧報告中文版（附PDF版下載）
10.
推薦 | Python-ML中最常用的5張速查表（高清）
11.
【強烈推薦】：關於系統學習數據挖掘（Data Mining）的一些建議！！
12.
關於處理樣本不平衡問題的Trick整理
13.
長文 | 一文讀懂什麼是機器學習
14.
資料 | Python的14張思維導圖（可後台下載）
15.
值得收臧 | 從零開始搭建帶GPU加速的深度學習環境(操作系統、驅動和各種機器學習庫)
16.
推薦 | CVPR2017關於如何解釋深度學習模型的講座（附視頻與PPT）
PCA實現一個簡單的酒店推薦系統（附Python源碼）
基於機器學習的文本情感極性分析
Python做文本挖掘的情感極性分析（基於情感詞典的方法）
GBDT入門教程之原理、所解決的問題、應用場景講解
解決分類樣本不平衡問題 ~ ML&DM面試高頻問題
高斯混合聚類(GMM)及代碼實現
Adaboost從原理到實現（Python）
Delicious和Hacker News--基於用戶投票的排名演算法
協同過濾原理及Python實現
RBF神經網路及Python實現（附源碼）
支持向量機Python實現(附源碼與數據)
SoftMax回歸詳解
線性分類(SoftMax) - 下篇
梯度檢驗與高級優化
線性分類器-中篇
線性分類器
反向傳播演算法
神經網路
CS231n課程筆記翻譯：圖像分類筆記（下）
CS231n課程筆記翻譯：圖像分類筆記（上）
kNN之改進約會網站配對效果(附源碼)
KNN演算法實戰-改進約會網站配對效果
TF-IDF與餘弦相似性的應用-自動提取關鍵詞
蒙特卡洛方法入門
趣味理解樸素貝葉斯
機器學習資料整理(歡迎補充)
機器學習福利--Hinton大牛的Neural Network for Machine Learning
EM演算法
集成學習(EL)綜述
多層網路與反向傳播演算法詳解
Neural Networks for Machine Learning-2
Neural Networks for Machine Learning-1
經典機器學習書籍推薦
解決決策樹的過擬合
群體智能-果蠅演算法
模糊最小二乘支持向量機
隨機森林與GBDT
Machine Learning -- 主動學習(AL)
Machine Learning -- EM演算法
Machine Learning -- Bayesian network
Machine Learning -- GBDT(RF)
Machine Learning -- Boosting
Machine learning -- CART
Machine learning -- C4.5演算法詳解及Python實現
Machine Learning -- ID3演算法
Machine Learning -- Naive Bayes(樸素貝葉斯)
Machine Learning -- 11種相似性度量方法(總結版)
脈絡清晰的BP神經網路講解
機器學習(8) -- 降維
機器學習(7) -- k-means 聚類
機器學習(6) -- SVM
機器學習(5) -- 模型評估與選擇
機器學習(4) --神經網路(part two)
機器學習(4) -- 神經網路
機器學習(3) -- 貝葉斯及正則化
機器學習(2) -- logistic regression
0-1整數規劃與隱枚舉法-感受剪枝的魅力
基於稀疏化魯棒LS-SVR與多目標優化的鐵水硅含量軟測量建模
最小二乘支持向量回歸機(LS-SVR)
支持向量機之SMO-------7
支持向量機之最小二乘(LS)-------6
支持向量機(SVM)之Mercer定理與損失函數----5
支持向量機（SVM）--(4)
支持向量機（SVM）--3
距離和相似性度量在機器學習中的使用統計
支持向量機(SVM) （2）
初步了解支持向量機(SVM)-1
線性分類與Principal Component Analysis
模型組合之梯度提升(Gradient Boosting)
線性回歸與評價指標-2
回歸預測之入門
投稿、商業合作
請發郵件到：357062955@qq.com
長按識別二維碼關注我們
