机器学习汇总，珍藏版！

机器学习系列阶段总结！

1. 机器学习（1）之入门概念

2. 机器学习（2）之过拟合与欠拟合

3. 机器学习（3）之最大似然估计

4. 机器学习（4）之线性判别式（附Python源码）

5. 机器学习(5)之决策树ID3及Python实现

6. 机器学习(6)之朴素贝叶斯NB及实例

7. 机器学习(7)之感知机python实现

8. 机器学习(8)之范数正则与Lasso详解

9. 机器学习(9)之ID3算法详解及python实现

10. 机器学习(10)之趣味案例理解朴素贝叶斯

11. 机器学习(11)之C4.5详解与Python实现（从解决ID3不足的视角）

12. 机器学习(12)之决策树总结与python实践(~附源码链接~)

13. 机器学习（13）之最大熵模型详解

14. 机器学习（14）之评价准则RoC与PR

15. 机器学习（15）之支持向量机原理(一)线性支持向量机

16. 机器学习(16)之支持向量机原理(二)软间隔最大化

17. 机器学习(17)之集成学习原理总结

18. 机器学习(18)之支持向量机原理(三)线性不可分支持向量机与核函数

19. 机器学习(19)之支持向量回归机

20. 机器学习(20)之Adaboost算法原理小结

21. 机器学习(21)之scikit-learn Adaboost类库的实战分析

22. 机器学习(22)之Apriori算法原理总结

23. 机器学习(23)之GBDT详解

24. 机器学习(24)之Bagging与随机森林

25. 机器学习(25)之K-Means聚类算法详解

26. 机器学习(26)之K-Means实战与调优详解

27. 机器学习(27)【降维】之主成分分析(PCA)详解

28. 机器学习(28)【降维】之sklearn中PCA库讲解与实战

29. 机器学习(29)之奇异值分解SVD原理与应用详解

30. 机器学习(30)之线性判别分析(LDA)原理详解

31. 机器学习(31)之频繁集挖掘FP Tree详解

32. 机器学习(32)之典型相关性分析(CCA)详解 【文末有福利......】

33. 机器学习(33)之局部线性嵌入(LLE)【降维】总结

34. 机器学习(34)之BIRCH层次聚类详解

35. 机器学习(35)之PrefixSpan算法原理详解

36. 机器学习(36)之协同过滤典型算法概述【精华】

37. 机器学习（37）之矩阵分解在协同过滤推荐中的应用

资源分享系列

01. 干货分享 | 新一波机器学习资料汇总（已完结...）

02. 干货分享 | 最近机器学习视频教程与数据集下载（持续更新......）

03. Python数据分析相关资料整理（博客&视频链接）

04. 机器学习资料整理(欢迎补充)

05. 经典机器学习书籍推荐

06. 资源下载 | 历史视频教程资源大汇总（内置百度云盘链接）

07. 干货 | 从入门到放弃：21种机器学习算法详解，附多种下载方式

08. 福利 | 最全面超大规模数据集下载链接汇总

深度学习连载系列

01. 深度学习之DNN与前向传播算法

02. 深度学习之DNN与反向传播算法

03. 干货 | 深度学习之损失函数与激活函数的选择

04. 干货 | 深度学习之DNN的多种正则化方式

05. 干货 | 深度学习之卷积神经网络(CNN)的模型结构

06. 干货 | 深度学习之卷积神经网络（CNN）的前向传播算法详解

07. 干货 | 深度学习之CNN反向传播算法详解

干货系列

01. AIOps核心任务：任务机器人在金融领域中的落地（附文件下载）

02. 一篇文章讲清楚人工智能、机器学习和深度学习的区别与联系

03. 推荐 | 值得加入的AI公司不只有BAT、FLAG与TMDJ，还有这些！！！

04. 程序猿媳妇儿注意事项！（文末高能）

05. 干货 | 台大“一天搞懂深度学习”课程PPT（下载方式见文末！！）

06. 趣味机器学习入门小项目（附教程与数据）

07. 推荐 | 一文读懂深度学习与机器学习的差异

08. 值的收藏的干货 | 如何用Python实现常见机器学习算法

09. 干货 | 高盛：2017人工智能报告中文版（附PDF版下载）

10. 推荐 | Python-ML中最常用的5张速查表（高清）

11. 【强烈推荐】：关于系统学习数据挖掘（Data Mining）的一些建议！！

12. 关于处理样本不平衡问题的Trick整理

13. 长文 | 一文读懂什么是机器学习

14. 资料 | Python的14张思维导图（可后台下载）

15. 值得收臧 | 从零开始搭建带GPU加速的深度学习环境(操作系统、驱动和各种机器学习库)

16. 推荐 | CVPR2017关于如何解释深度学习模型的讲座（附视频与PPT）

1. PCA实现一个简单的酒店推荐系统（附Python源码）
   

2. 基于机器学习的文本情感极性分析
   

3. Python做文本挖掘的情感极性分析（基于情感词典的方法）
   

4. GBDT入门教程之原理、所解决的问题、应用场景讲解
   

5. 解决分类样本不平衡问题 ~ ML&DM面试高频问题
   

6. 高斯混合聚类(GMM)及代码实现
   

7. Adaboost从原理到实现（Python）
   

8. Delicious和Hacker News--基于用户投票的排名算法
   

9. 协同过滤原理及Python实现
   

10. RBF神经网络及Python实现（附源码）
    

11. 支持向量机Python实现(附源码与数据)
    

12. SoftMax回归详解
    

13. 线性分类(SoftMax) - 下篇
    

14. 梯度检验与高级优化
    

15. 线性分类器-中篇
    

16. 线性分类器
    

17. 反向传播算法
    

18. 神经网络
    

19. CS231n课程笔记翻译：图像分类笔记（下）
    

20. CS231n课程笔记翻译：图像分类笔记（上）
    

21. kNN之改进约会网站配对效果(附源码)
    

22. KNN算法实战-改进约会网站配对效果
    

23. TF-IDF与余弦相似性的应用-自动提取关键词
    

24. 蒙特卡洛方法入门
    

25. 趣味理解朴素贝叶斯
    

26. 机器学习资料整理(欢迎补充)
    

27. 机器学习福利--Hinton大牛的Neural Network for Machine Learning
    

28. EM算法
    

29. 集成学习(EL)综述
    

30. 多层网络与反向传播算法详解
    

31. Neural Networks for Machine Learning-2
    

32. Neural Networks for Machine Learning-1
    

33. 经典机器学习书籍推荐
    

34. 解决决策树的过拟合

35. 群体智能-果蝇算法
    

36. 模糊最小二乘支持向量机
    

37. 随机森林与GBDT
    

38. Machine Learning -- 主动学习(AL)
    

39. Machine Learning -- EM算法
    

40. Machine Learning -- Bayesian network
    

41. Machine Learning -- GBDT(RF)
    

42. Machine Learning -- Boosting
    

43. Machine learning -- CART
    

44. Machine learning -- C4.5算法详解及Python实现
    

45. Machine Learning -- ID3算法
    

46. Machine Learning -- Naive Bayes(朴素贝叶斯)
    

47. Machine Learning -- 11种相似性度量方法(总结版)
    

48. 脉络清晰的BP神经网络讲解
    

49. 机器学习(8) -- 降维
    

50. 机器学习(7) -- k-means 聚类
    

51. 机器学习(6) -- SVM
    

52. 机器学习(5) -- 模型评估与选择
    

53. 机器学习(4) --神经网络(part two)
    

54. 机器学习(4) -- 神经网络
    

55. 机器学习(3) -- 贝叶斯及正则化
    

56. 机器学习(2) -- logistic regression
    

57. 0-1整数规划与隐枚举法-感受剪枝的魅力
    

58. 基于稀疏化鲁棒LS-SVR与多目标优化的铁水硅含量软测量建模
    

59. 最小二乘支持向量回归机(LS-SVR)
    

60. 支持向量机之SMO-------7
    

61. 支持向量机之最小二乘(LS)-------6
    

62. 支持向量机(SVM)之Mercer定理与损失函数----5
    

63. 支持向量机（SVM）--(4)
    

64. 支持向量机（SVM）--3
    

65. 距离和相似性度量在机器学习中的使用统计
    

66. 支持向量机(SVM) （2）
    

67. 初步了解支持向量机(SVM)-1
    

68. 线性分类与Principal Component Analysis
    

69. 模型组合之梯度提升(Gradient Boosting)
    

70. 线性回归与评价指标-2
    

71. 回归预测之入门

投稿、商业合作

请发邮件到：357062955@qq.com

长按识别二维码关注我们