资源 |​ 史上最全机器学习笔记

本文由LCatro整理

机器学习

机器学习算法原理

https://github.com/wepe/MachineLearning

机器学习实战原书内容与批注

https://github.com/apachecn/MachineLearning

机器学习的Python 实现

https://github.com/lawlite19/MachineLearning_Python#1-%E4%BB%A3%E4%BB%B7%E5%87%BD%E6%95%B0

机器学习算法集锦

https://zhuanlan.zhihu.com/p/25327755

各种机器学习的应用场景分别是什么

https://www.zhihu.com/question/26726794

KNN k-邻近算法

• 优点：精度高，对异常值不敏感，无数据输入假定

• 缺点：计算复杂度高，空间复杂度高，

• 适用数据范围：数值型和标称型  

什么是数值型和标称型 标称型：

• 标称型目标变量的结果只在有限目标集中取值 

• 数值型:数值型目标变量则可以从无限的数值集合中取值 。

决策树

• 优点：计算复杂度不高,输出结果易于理解,对中间值的缺失不敏感,可以处理不相关特征数据 

• 缺点：可能会产生过度匹配问题 适用数据类型:数值型和标称型 

朴素贝叶斯

• 优点：在数据较少的情况下仍然有效,可以处理多类别问题 

• 缺点： 对于输入数据的准备方式较为敏感 

• 适用数据类型：标称型数据 

机器学习算法之朴素贝叶斯(Naive Bayes)--第一篇

http://blog.csdn.net/xlinsist/article/details/51236454

朴素贝叶斯理论推导与三种常见模型

http://blog.csdn.net/u012162613/article/details/48323777

用朴素贝叶斯进行文本分类

http://blog.csdn.net/longxinchen_ml/article/details/50597149

朴素贝叶斯算法之文本分类算法的理解与实现

http://www.cnblogs.com/XBWer/archiv‍e/2014/07/13/3840736.html

logics 回归

• 优点： 计算代价不高,易于理解和实现 

• 缺点: 容易欠拟合,分类精度可能不高 适用数据类型: 数值型和标称型数据 

logics 回归总结

http://blog.chinaunix.net/xmlrpc.php?r=blog/article&uid=9162199&id=4223505

logics 回归数学推导

http://sbp810050504.blog.51cto.com/2799422/1608064/

SVM 支持向量机

• 优点：泛化（由具体的、个别的扩大为一般的，就是说，模型训练完后的新样本）错误率低，计算开销不大，结果易理解 

• 缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适合于处理二分类问题 

• 适用数据类型：数值型和标称型数据 

SVM 原理

http://www.cnblogs.com/steven-yang/p/5658362.html

通俗易懂SVM

https://www.zhihu.com/question/21094489

SVM和logistic回归分别在什么情况下使用

https://www.zhihu.com/question/21704547

深度学习

零基础入门深度学习(总计六章)

https://zhuanlan.zhihu.com/p/25628246

CNN

Deep Learning(深度学习)学习笔记整理系列

http://www.cnblogs.com/zhizhan/p/4077947.html

CNN(卷积神经网络),RNN(循环神经网络),DNN(深度神经网络)的内部网络结构有什么区别

https://www.zhihu.com/question/34681168

一文读懂卷积神经网络CNN

https://www.cnblogs.com/nsnow/p/4562308.html

深度学习简介(一)——卷积神经网络

https://www.cnblogs.com/alexcai/p/5506806.html

卷积神经网络CNN基本概念笔记

http://www.jianshu.com/p/606a33ba04ff

使用Keras+卷积神经网络玩小鸟

http://www.jianshu.com/p/3ba69493f020

Python 库

scikit-learn 机器学习库

https://github.com/scikit-learn/scikit-learn

scikit-learn 机器学习库中文文档

http://sklearn.apachecn.org/cn/0.19.0/index.html

如果无法使用Github 安装sk-learn ,请到Python 官方下载msi 安装文件scikit-learn 下载传送门

https://pypi.python.org/pypi/scikit-learn

Keras 深度学习库

https://github.com/fchollet/keras

TensorFlow 机器学习与深度学习库

https://github.com/tensorflow/tensorflow

matplotlib 数据分析库 ,matplotlib API 使用手册

http://matplotlib.org/api/index.html

原文链接：

https://github.com/lcatro/Machine-Learning-Note#machine-learning-note

资源推荐