<转>ML 相关算法参考
国内外网站
如果你想搜索比较新颖的机器学习资料或是文章，可以到以下网站中搜索，里面不仅包括了机器学习的内容，还有许多其它相关领域内容，如数据科学和云计算等。
InfoWord：http://www.infoworld.com/reviews/
Kdnuggets：http://www.kdnuggets.com
Datasciencecentral：http://www.datasciencecentral.com/
Datascienceplus：http://datascienceplus.com
数据分析网：http://www.afenxi.com/
数据科学竞赛
关于数据分析的竞赛，国内国外都有，下面推荐几个比较火的竞赛网站 ：
Kaggle 比赛，网址：https://www.kaggle.com/
DataCastle 比赛，网站：http://www.pkbigdata.com/
阿里大数据竞赛，目前没有消息了，2015 年有个【2015 天池大数据竞赛】
决策树 - 参考：decision Tree（Python 实现）
http://blog.csdn.net/dream_angel_z/article/details/45965463
SVM 支持向量机 - 参考：pluskid 支持向量机三重境界
http://blog.pluskid.org/?page_id=683
Adaboost - 参考：组合算法 - Adaboost
http://blog.csdn.net/huruzun/article/details/41323065
Random Forest - 参考：随机森林算法
http://www.cnblogs.com/wentingtu/archive/2011/12/22/2297405.html
朴素贝叶斯算法 - 参考：Naive Bayes 算法实现
http://blog.csdn.net/dream_angel_z/article/details/46120867
人工神经网络 - 参考：http://www.cnblogs.com/luxiaoxun/archive/2012/12/10/2811309.html
Apriori 算法 - 参考地址：Apriori 关联分析
http://www.csuldw.com/2015/06/04/2015-06-04-Apriori/
K 最近邻算法 - 参考：KNN 从原理到实现
http://blog.csdn.net/dream_angel_z/article/details/45896449
梯度树提升 GTB 算法 - 参考：Gradient Tree Boosting（或 GBRT）
http://blog.csdn.net/dream_angel_z/article/details/48085889
K-means 聚类 - 参考：K-means cluster
http://blog.csdn.net/dream_angel_z/article/details/46343597
组合算法总结 - 参考：Ensemble 算法总结
http://www.csuldw.com/2015/07/22/2015-07-22%20%20ensemble/
EM 期望最大算法 - 参考：EM 算法
http://blog.csdn.net/zouxy09/article/details/8537620
Logistic 回归 - 参考：逻辑回归
http://blog.csdn.net/wangran51/article/details/8892923
HMM 隐马尔可夫模型，参考:HMM
http://blog.csdn.net/likelet/article/details/7056068
条件随机场，参考：CRF
http://www.tanghuangwhu.com/archives/162
随机森林和 GBDT，参考：决策树模型组合之随机森林与 GBDT
http://www.cnblogs.com/LeftNotEasy/archive/2011/03/07/1976562.html
特征选择和特征提取，参考：特征提取与特征选择
http://blog.csdn.net/lanbing510/article/details/40488787
梯度下降法，参考:gradient descent
http://blog.csdn.net/woxincd/article/details/7040944
牛顿法，参考：牛顿法
http://blog.csdn.net/luoleicn/article/details/6527049
线性判别分析，参考：线性判别
http://www.cnblogs.com/jerrylead/archive/2011/04/21/2024384.html
深度学习 - 深度学习概述：从感知机到深度网络
http://www.cnblogs.com/xiaowanyer/p/3701944.html
