零基础入门深度学习 -- 系列文章

文章列表

零基础入门深度学习(1) - 感知器 
零基础入门深度学习(2) - 线性单元和梯度下降 
零基础入门深度学习(3) - 神经网络和反向传播算法 
零基础入门深度学习(4) - 卷积神经网络 
零基础入门深度学习(5) - 循环神经网络 
零基础入门深度学习(6) - 长短时记忆网络(LSTM) 
零基础入门深度学习(7) - 递归神经网络

=======================================================================================

 机器学习随笔

机器学习实战---决策树CART回归树实现

机器学习实战---决策树CART简介及分类树实现

机器学习实战---线性回归（更好的使用正规方程求解）

机器学习实战---逻辑回归梯度上升（更好的理解sigmoid函数的含义并改进）

机器学习实战---朴素贝叶斯算法使用K折交叉验证

机器学习实战---朴素贝叶斯算法

机器学习实战---决策树ID3算法

统计学习方法---K-近邻（kd树实现）

统计学习方法---感知机模型

机器学习实战---K-近邻

机器学习基础---应用实例（图片文字识别）和总结

机器学习基础---大规模机器学习

机器学习作业---推荐系统

机器学习基础---推荐系统

机器学习作业---异常检测

机器学习基础---无监督学习之异常检测

机器学习作业---主成分分析PCA

机器学习基础---无监督学习之降维

机器学习作业---K-Means算法

机器学习基础---无监督学习之K-Means算法

机器学习作业---支持向量机SVM（二）垃圾邮件分类

机器学习作业---支持向量机SVM（一）了解SVM

机器学习基础---支持向量机SVM

机器学习作业---偏差和方差（线性回归）

机器学习作业---偏差和方差（线性回归）错误反例，但是理清了代码思路，很重要

机器学习基础---机器学习系统设计

机器学习基础---机器学习诊断法

机器学习基础---神经网络（调试优化）（随机初始化、梯度检测）

机器学习作业---神经网络实现多类分类

机器学习基础---神经网络（属于逻辑回归）（构建训练集以及参数学习）

机器学习基础---神经网络（属于逻辑回归）（构建假设函数）

机器学习作业---多类分类

机器学习作业---逻辑回归（部分存疑）

机器学习基础---过拟合问题及正则化技术

机器学习基础---逻辑回归（假设函数与线性回归不同）

机器学习作业---线性回归

机器学习基础---多变量线性回归

机器学习基础---线性回归

机器学习基础---概述

数据科学回顾

数据分析与展示---SKlearn库的学习

数据分析与展示---Pandas库数据特征分析

数据分析与展示---Pandas库入门

数据分析与展示---Matplotlib基本绘图函数

数据分析与展示---Matplotlib入门

数据分析与展示---Numpy数据存取与函数

数据分析与展示---Numpy入门

 

出处：https://www.cnblogs.com/ssyfj/category/1747594.html

=======================================================================================

机器学习入门

写给程序员的机器学习入门 (十 补充) - 对象识别 Faster-RCNN - 改进识别人脸位置与是否戴口罩的模型

写给程序员的机器学习入门 (十) - 对象识别 Faster-RCNN - 识别人脸位置与是否戴口罩

写给程序员的机器学习入门 (九) - 对象识别 RCNN 与 Fast-RCNN

写给程序员的机器学习入门 (八 补充) - 使用 GPU 训练模型

写给程序员的机器学习入门 (八) - 卷积神经网络 (CNN) - 图片分类和验证码识别

写给程序员的机器学习入门 (七) - 双向递归模型 (BRNN) - 根据上下文补全单词

写给程序员的机器学习入门 (六) - 应用递归模型的例子

写给程序员的机器学习入门 (五) - 递归模型 RNN，LSTM 与 GRU

写给程序员的机器学习入门 (四) - 训练过程中常用的技巧

写给程序员的机器学习入门 (三) - 线性模型，激活函数与多层线性模型

写给程序员的机器学习入门 (二) - pytorch 与矩阵计算入门

写给程序员的机器学习入门 (一) - 从基础说起

 

出处：https://www.cnblogs.com/zkweb/category/1690853.html

=======================================================================================

机器学习

机器学习(三)：理解逻辑回归及二分类、多分类代码实践

机器学习(二)：理解线性回归与梯度下降并做简单预测

机器学习(一)：5分钟理解机器学习并上手实践

前置机器学习（五）：30分钟掌握常用Matplotlib用法

机器学习速查表(cheatsheet)资源汇总分享

前置机器学习（四）：一文掌握Pandas用法

前置机器学习（一）：数学符号及希腊字母

机器学习导图系列（5）：机器学习模型及神经网络模型

机器学习导图系列（4）：算法(含61公式)

机器学习导图系列（3）：过程

机器学习导图系列（2）：概念

机器学习导图系列（1）：数据处理

机器学习：选对时机直线超车

出处：https://www.cnblogs.com/takeurhand/tag/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/

=======================================================================================

C#中的深度学习（五）：在ML.NET中使用预训练模型进行硬币识别

C#中的深度学习（四）：使用Keras.NET识别硬币

C#中的深度学习（三）：理解神经网络结构

C#中的深度学习（二）：预处理识别硬币的数据集

C#中的深度学习（一）：使用OpenCV识别硬币

=======================================================================================

机器学习十讲-第三讲分类

Pandas-数据结构&基本操作

机器学习十讲-第二讲回归

机器学习十讲-第一讲

机器学习7-模型保存&无监督学习

机器学习6-回归改进

机器学习5-线性回归

机器学习4-分类算法2

机器学习3-分类算法

机器学习2-特征工程

机器学习1-sklearn&字典特征抽取

 

出处：https://www.cnblogs.com/xiaofengzai/tag/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/

=======================================================================================

随笔分类 - 机器学习 

【机器学习基础】常见损失函数总结

【机器学习基础】正则化及多分类问题总结

【机器学习基础】逻辑回归——LogisticRegression

【机器学习基础】——梯度下降

【机器学习基础】——线性回归

【Python机器学习实战】决策树与集成学习（七）——集成学习（5）XGBoost实例及调参

【Python机器学习实战】决策树与集成学习（六）——集成学习（4）XGBoost原理篇

【Python机器学习实战】决策树与集成学习（五）——集成学习（3）GBDT应用实例

【Python机器学习实战】决策树与集成学习（四）——集成学习（2）GBDT

【Python机器学习实战】决策树与集成学习（三）——集成学习（1）Bagging方法和提升树

【Python机器学习实战】决策树和集成学习（二）——决策树的实现

【Python机器学习实战】决策树和集成学习（一）——决策树原理

最大似然概率估计和朴素贝叶斯分类

【Python机器学习实战】感知机和支持向量机学习笔记（三）之SVM的实现

【Python机器学习实战】感知机和支持向量机学习笔记（二）

【python与机器学习实战】感知机和支持向量机学习笔记（一）

 

出处：https://www.cnblogs.com/501731wyb/category/2009992.html

=======================================================================================

=======================================================================================

=======================================================================================

=======================================================================================