introduction-to-machine-learning

introduction-to-machine-learning#

机器学习入门

使用scikit-learn等介绍机器学习原理。

在线地址：https://tianxuzhang.github.io/introduction-to-machine-learning/README.html

内容包含以下部分

分类#

确定对象所属的类别。

应用：垃圾邮件检测，图像识别。
算法：梯度提升、最近邻、随机森林、逻辑回归等等。

回归#

预测与对象相关的连续值的属性。

应用：药物反应、股票价格。
算法：梯度提升、最近邻、随机森林、岭回归等等。

本章内容包含：

线性回归
正则化线性回归
- LASSO回归
- 多任务LASSO回归
- 岭回归
- 弹性网络
- 多任务弹性网络
迭代求解方法
- 最小角回归（LARS）
- LARS LASSO
- 正交匹配追踪法（OMP）
贝叶斯方法
- 贝叶斯岭回归
- 主动相关决策理论 - ARD
广义线性模型
- 逻辑回归
- 多元逻辑回归
- 泊松回归
- GLM模型
其他
- 随机梯度下降
- 感知器
- 被动攻击算法
- 稳健回归

聚类#

将相似对象自动分组到集合中。

应用：用户划分、实验输出分组。
算法：k-means、DBSCAN、层次聚类等等。

降维#

减少要考虑的随机变量的数量。

应用：可视化、提高效率。
算法：PCA、特征选择、非负矩阵分解等等。

模型选择#

比较、验证和选择参数以及模型。

应用：垃圾邮件检测，图像识别。
算法：网格搜索、交叉检验等等。

预处理#

确定对象所属的类别。

应用：转换输入数据如文本，便于机器学习算法使用。
算法：预处理、特征提取等等。

数学符号和读法#

希腊字母读法

$Α$ $α$ [alpha] 阿尔法

$Β$ $β$ [beta] 贝塔

$Γ$ $γ$ [gamma] 伽马

$Δ$ $δ$ [delta] 德尔塔

$Ε$ $ε$ [epsilon] 艾普西隆

$Ζ$ $ζ$ [zeta] 截塔

$Η$ $η$ [eta] 艾塔

$Θ$ $θ$ [sita] 西塔

$Ι$ $ι$ [iota] 约塔

$Κ$ $κ$ [kappa] 卡帕

$Λ$ $λ$ [lambda] 兰布达

$Μ$ $μ$ [mu] 缪

$Ν$ $ν$ [nu] 纽

$Ξ$ $ξ$ [xi] 柯西

$Ο$ $ο$ [omicron] 奥密克戎

$Π$ $π$ [pi] 派

$Ρ$ $ρ$ [rho] 柔

$Σ$ $σ$ $ς$ [sigma] 西格玛

$Τ$ $τ$ [tau] 套

$Y$ $υ$ [upsilon] 衣普西隆

$Φ$ $φ$ [phi] 佛爱

$Χ$ $χ$ [chi] 西

$Ψ$ $ψ$ [psi] 普西

$Ω$ $ω$ [omega] 欧米伽

introduction-to-machine-learning

Contents

introduction-to-machine-learning#

分类#

回归#

聚类#

降维#

模型选择#

预处理#

数学符号和读法#