机器学习系列文章索引

　　生命不息，奋斗不止，在学习中寻找乐趣！

0 机器学习简介

　　                         

　　概念：多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

　　学科定位：人工智能(Artificial Intelligence, AI）的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

　　定义：探究和开发一系列算法来如何使计算机不需要通过外部明显的指示，而可以自己通过数据来学习，建模，并且利用建好的模型和新的输入来进行预测的学科。

　　发展：

　　Arthur Samuel (1959): 一门不需要通过外部程序指示而让计算机有能力自我学习的学科

　　Langley（1996) ： “机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能” 

　　Tom Michell (1997):  “机器学习是对能通过经验自动改进的计算机算法的研究”

　　学习：针对经验E (experience) 和一系列的任务 T (tasks) 和一定表现的衡量 P，如果随之经验E的积累，针对定义好的任务T可以提高表现P，就说计算机具有学习能力

　　例子： 人脸识别、无人驾驶汽车、下棋、语音识别、电商推荐系统等

　　应用：语音识别、自动驾驶、语言翻译、计算机视觉、推荐系统、无人机、识别垃圾邮件

一 机器学习系列

　　(1) 机器学习之数据分析

　　(2) 机器学习之数据预处理

　　(3) 机器学习之模型评估

　　(4) 机器学习之K近邻算法

　　(5) 机器学习之logsitic回归

　　(6) 机器学习之决策树原理和sklearn实践

　　(7) 机器学习之支持向量机原理和sklearn实践

　　(8) 机器学习之集成学习

　　(9) 机器学习降维之主成分分析

　　(10) 机器学习降维之线性判别分析

　　(11) 机器学习之朴素贝叶斯

　　(12) 机器学习之隐马尔可夫模型

　　(13) 机器学习之条件随机场

　　(14) 机器学习之K均值聚类

　　(15) 机器学习之xgboost

　　(16) 垃圾邮件分类实战(SVM)

二 深度学习系列

　　深度学习是基于机器学习延伸出来的一个新的领域，由以人大脑结构为启发的神经网络算法为起源加之模型结构深度的增加发展，并伴随大数据和计算能力的提高而产生的一系列新的算法。

　　（1）神经网络之反向传播算法实现

　　（2）使用Mxnet基于skip-gram模型实现word2vect

 　　 (3)  机器学习中常用激活函数和损失函数

       （4）从零和使用mxnet实现线性回归

       （5）从零和使用mxnet实现softmax分类

       （6）从零和使用mxnet实现dropout

       （7）从零和使用mxnet实现批量归一化

       （8）使用mxnet实现卷积神经网络LeNet

         (9)   从零和使用mxnet实现循环神经网络(创建歌词)

读过的书：

　　(1) 李航老师的<统计学习方法>，目前已出两版，第二版在第一版内容的基础上加入了无监督学习算法内容 

　　(2) <机器学习实战> Peter Harrington著，python版本

　　(3) <机器学习实战基于Scikit-Learn和TensorFlow> Aurelien Geron著，包含机器学习和神经网络两部分，值得拥有

　　(4) <Keras 深度学习实战> 使用Keras架构对神经网络进行实战

　　(5) <Python深度学习 基于TensorFlow>

　　(6) <百面机器学习 算法工程师带你去面试> 茶余饭后阅读可以帮助我们对知识点有更好的认识

　　(7) <Convex Optimization 凸优化> Stephen Boyd Lieven Vandenberghe著，B站上有凌青老师的凸优化公开课，值得去听听

       (8) <动手学深度学习> 基于mxnet框架，很值得新手学习

　　(9) <Python自然语言处理实战 核心技术与算法> 

　　(10) 吴军老师的<数学之美>，值得推荐