机器学习好文推荐
课程
1 数学基础
2 辅助算法
2.1 梯度下降
3 有监督学习
3.1 分类
3.1.1 决策树
3.1.2 朴素贝叶斯
3.1.3 SVM
3.1.4 逻辑回归
3.1.5 KNN
3.1.6 其他
3.2 回归
4 无监督学习
4.1 聚类
4.1.1 K-Means
4.2 Association Rule Learning
4.2.1 FP Growth
4.2.2 Apiori
4.2.3 Apiori
4.3 降维
4.3.1 PCA
- 用scikit-learn学习主成分分析(PCA)
- 十分钟搞定PCA主成分分析
- 视频-10分钟 get PCA / 主成分分析
- 主成分分析（Principal components analysis）-最大方差解释
- sklearn.decomposition.PCA
4.3.2 LSA
4.3.3 SVD
4.3.4 LDA
5 集成学习
5.1 Stacking
5.2 Bagging
5.3 Boosting
5.3.1 Xgboost
- Xgboost的原理没你想像的那么难
- 机器学习系列(12)_XGBoost参数调优完全指南（附Python代码）
- Xgboost 参数调优指南
- Xgboost简单原理及参数调优PPT
- Xgboost-python_api
6 强化学习
6.1 Q-Learning
6.2 DQN
7 深度学习和神经网络
8 数据处理
8.1 特征预处理
8.2 特征筛选
8.3 数据清洗
8.4 数据离散化
8.5 归一化
8 模型评估
8.1 评价指标
- 机器学习评价指标大汇总-简洁明了
- 如何解释召回率与准确率？
- 评价模型的常用方法——精确率、召回率、F1 值、ROC、AUC 各自的优缺点
- 精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？
- 机器学习中的F1-score
- 分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）
- 聚类学习-轮廓系数
- 聚类︱python实现 六大 分群质量评估指标（兰德系数、互信息、轮廓系数）
- 用验证曲线 validation curve 选择超参数
8.2 欠拟合 过拟合
9 Python
9.1 matplot
9.2 算法
9.3 Pandas
9.4 Sklearn
总结文章
面试总结
GitHub万星的ML算法面试大全介绍
GitHub万星的ML算法面试大全
扫一扫
16万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
