haopinglianlian的博客

本笔记的任务是解读机器学习实践/面试过程中可能会用到的知识点，内容通俗易懂，入门、实习和校招轻松搞定。涵盖机器学习八股文和常用算法，包括机器学习基础知识、感知机（Perceptron）、多层感知机（MLP, Multi-Layer Perceptron）、支持向量机（SVM, Support Vector Machine）、K 最近邻（KNN, K-Nearest Neighbors）、朴素贝叶斯（Naive Bayes）、决策树（Decision Tree）、随机森林（Random Forest）、Bag

本笔记介绍机器学习中常见的特征工程方法、正则化方法和简要介绍强化学习。

本笔记介绍机器学习中常见的损失函数和代价函数，各函数的使用场景。

10w字总结面试中可能用到的机器学习八股和常用算法，包括感知机（Perceptron）、多层感知机（MLP, Multi-Layer Perceptron）、支持向量机（SVM, Support Vector Machine）、K 最近邻（KNN, K-Nearest Neighbors）、朴素贝叶斯（Naive Bayes）、决策树（Decision Tree）、随机森林（Random Forest）、Bagging、Boosting、GBDT、XGBoos、LightGBM等。

本笔记介绍机器学习中常见的无监督学习方法——降维。

本笔记介绍机器学习中常见的聚类算法（Kmeans、GMM-使用EM优化）。

本文主要阐述Boosting中常用算法（GBDT、XGBoost、LightGBM）的迭代路径。

本笔记介绍机器学习中常见的集成学习：Bagging和Boosting。

本笔记介绍机器学习中常见的决策树算法。

本笔记介绍机器学习中朴素贝叶斯算法。

本笔记介绍机器学习中的 KNN（K-Nearest Neighbors，K 近邻算法）

本笔记介绍机器学习中的感知机、MLP、SVM算法。

本笔记介绍机器学习中常见的30种机器学习算法。