目录

​​0 综述​​

​​1 基本模型​​

​​1.1 回归​​

​​1.2 决策树与随机森林 ​​

​​1.3 SVM​​

​​1.4 最大熵与EM算法 ​​

​​2 特征工程 ​​

​​2.1 特征工程 ​​

​​2.2 多算法组合与模型最优 ​​

​​3 工业实践 ​​

​​3.1 Sklearn与机器学习实战 ​​

​​3.2 高级工具库xgboost/LightGBM与建模实战​​

​​3.3 推荐系统原理与应用​​

​​ 3.4 聚类算法​​

​​4 深入机器学习 ​​

​​4.1 贝叶斯网络 ​​

​​4.2 隐马可夫链HMM ​​

​​4.3 主题模型LDA ​​

​​5 迈入深度学习​​

​​5.1 深度学习初步 ​​

​​5.2 卷积神经网络与计算机视觉 ​​

​​5.3 循环神经网络与应用 ​​

​​5.4 深度学习框架与应用 ​​

0 综述

1 基本模型

1.1 回归

1.2 决策树与随机森林 

1.3 SVM

1.4 最大熵与EM算法 

2 特征工程 

2.1 特征工程 

2.2 多算法组合与模型最优 

3 工业实践 

3.1 Sklearn与机器学习实战 

3.2 高级工具库xgboost/LightGBM与建模实战

3.3 推荐系统原理与应用

 3.4 聚类算法

4 深入机器学习 

4.1 贝叶斯网络 

4.2 隐马可夫链HMM 

4.3 主题模型LDA 

5 迈入深度学习

5.1 深度学习初步 

5.2 卷积神经网络与计算机视觉 

5.3 循环神经网络与应用 

5.4 深度学习框架与应用