Machine Learning
  • Introduction
  • 机器学习
    • 前言
      • 符号表
    • 监督式学习
      • 感知机
        • 感知机模型
        • 感知机学习算法
        • 算法python实现
      • Logistic回归
        • Logistic分布
        • Logistic回归模型
        • 算法python实现
      • 线性回归
        • 线性回归模型
        • 算法python实现
      • K近邻法
        • k近邻模型
        • kd树方法
        • kd树python实现
        • knn实例
      • 朴素贝叶斯法
        • 模型和原理
        • 参数估计
        • 算法和实现
      • 决策树
        • 模型与学习
        • 特征选择
        • 生成算法和剪枝
        • python实现
      • 支持向量机
    • 神经网络
      • 神经元模型和感知机
      • 神经网络
      • 神经网络的矩阵表达
      • 反向传播算法
        • 算法证明
        • 算法代码
        • 基于矩阵的计算
      • 改进神经网络的学习方法
        • 交叉熵代价函数
        • softmax
        • regularization
        • 权重初始化
      • 卷积神经网络
        • 基本介绍
    • 数学基础
      • 线性代数
        • 特征值和特征向量
      • 概率统计
        • 随机变量的特征
        • 样本统计量
        • 先验后验概率
      • 微积分
        • 向量内积
        • 方向导数和梯度
        • 梯度下降法
      • 信息论
        • 熵
        • 相对熵和交叉熵
        • 条件熵
        • 互信息
Powered by GitBook
On this page

Introduction

Next前言

Last updated 7 years ago

本书是个人机器学习基础的笔记,包含算法原理,公式推导,python代码实现。

本书github地址:

本书legacy gitbook地址:

本书新的gitbook地址:

本书参考了:

《统计学习方法》,李航 著

《机器学习实战》,Peter Harrington 著,李悦 李鹏 曲亚东 王斌 译

《机器学习》,周志华 著

《机器学习基石》课程,林轩田

《机器学习》课程,Andrew ng

《神经网络与机器学习》, Michael Nielsen 著, Xiaohu Zhu 和 Freeman Zhang 译

《概率论与数理统计》 ,高等教育出版社

以及参考一些网络上博客,如果参考了,在每一篇内都会给出链接。

https://github.com/zhjunqin/MachineLearning
https://zhjunqin.gitbooks.io/machinelearning/content/
https://zhjunqin.gitbook.io/machine-learning/