关于”机器学习：概念与理解“系列

标签：机器学习

“机器学习：概念到理解“系列，我本着开放与共享（open and share）的精神撰写，目的是让更多的人了解机器学习的概念，理解其原理，学会应用。现在网上各种技术类文章很多，不乏大牛的精辟见解，但也有很多滥竽充数、误导读者的。这个系列对教课书籍和网络资源进行汇总、理解与整理，力求一击中的，通俗易懂。机器学习很难，是因为她有很扎实的理论基础，复杂的公式推导；机器学习也很简单，是因为对她不甚了解的人也可以轻易使用。我希望好好地梳理一些基础方法模型，输出一些真正有长期参考价值的内容，让更多的人了解机器学习。所以对自己的要求有三：（1）不瞎写，有理有据；（2）不装，尽量写的通俗易懂；（3）多看多想，深入浅出。

本人14年刚刚博士毕业于浙大计算机系，希望与志同道合的朋友一起交流，我刚刚设立了了一个技术交流QQ群：433250724，欢迎对算法、技术、应用感兴趣的同学加入，在交流中拉通——算法与技术，让理论研究与实际应用深度融合；也希望能有大牛能来，为大家解惑授业，福泽大众。推广开放与共享的精神。如果人多我就组织一些读书会，线下交流。

————————————————————————————————————————————

目前已经整理了的系列文章：

1. 机器学习：概念到理解（一）：线性回归linear regression
2. 机器学习：概念与理解（二）：回归、稀疏与正则约束ridge regression，Lasso

————————————————————————————————————————————

目前想到的有这些topic，我就抽工作业余时间慢慢复习，慢慢写

content: 
linear regression, Ridge, Lasso 
Logistic Regression, Softmax 
Kmeans, GMM, EM, Spectral Clustering 

Dimensionality Reduction: PCA、LDA、Laplacian Eigenmap、 LLE、 Isomap（修改前面的blog） 
SVM 
Decision Tree: ID3、C4.5 
Apriori，FP 
PageRank
minHash, LSH, Hashing

Manifold Ranking，EMR（这个方法是我博士期间论文发表的）

PLSA，LDA

Deep Learning Basics：

MLP，BP

CNN

AutoEncoder，DAE，SAE

还有很多DL的模型

待补充 

————————————————————————————————————————————

目前已经整理了的系列文章：

1、机器学习：概念到理解（一）：线性回归linear regression

2、机器学习：概念与理解（二）：回归、稀疏与正则约束ridge regression，Lasso

关于”机器学习：概念与理解“系列

标签：机器学习

原文地址：http://blog.csdn.net/xbinworld/article/details/44464663