【基础机器学习算法】学习目录

机器学习

数据(包含信息) + 模型(基于规则&基于数理统计, 整合信息学习知识) + 推断(利用知识解决问题)

　　

参考路径

基本算法归档

1.回归模型: 线性回归合辑
2.逻辑回归: 逻辑回归专题
3.KNN模型: KNN算法
4.决策树模型: 1）决策树初识；2）决策树算法原理
5.随机森林模型: 1）随机森林初识
6.贝叶斯模型: 贝叶斯模型
7.聚类算法: 聚类算法与KMeans
8.SVM: 1）SVM(上)； 2）SVM(下)
9.降维算法: 降维算法
10.集成算法类(集成算法简介，XGBoost, Lightgbm, Catboost)

加密原因:"有很多优秀的前辈已做出分享，善于搜索"&"不对外制造过多同质化低水准内容"&"不求甚解地学习应用着" 💪
个人须知：不是算法工程师，不必一定追求底层细节 手推算法！😳

个人学习过程中参考学习的博客：
1.刘建平Pinard：早期学习ML时候经常参看的博主
2.JULY：学习XGBoost时候发现的博主
3.Kaggle讨论区（提交&优化&再提交后参考讨论区大佬们的分享）

数据工程

整体模块概览如下:

1.番外: 数据集划分&采样
2.番外: 数据预处理
3.番外: 特征工程

调参优化

一些调参优化方法（暂未专门整理）

模型评估

1.分类模型评估器
2.回归模型评估器

当前思考

1.工作中会有感觉，不必上来就套算法模型，扎实的业务经验&一定的数理知识也能搭建合理的业务模型，效果不差&效率不低。
2.形成自己的一套pipeline很重要，类似于分析框架的东西。
3.关注 AutoML相关工具，如 Intro to AutoML，如 关于AutoML，你想知道的都在这里

本目录长期更新 ~