机器学习、深度学习与人工智能
- 隐马尔可夫模型
- 模式识别与机器学习(三)——高斯分布基础
- GAN生成对抗网络(一)
- 机器学习系列（三十七）——集成学习与随机森林
- CNN经典模型——ResNet
- CNN经典模型——VGGNet
- 卷积神经网络之AlexNet
- 机器学习系列（三十六）——回归决策树与决策树总结
- 主成分分析(PCA)与矩阵的奇异值分解(SVD)
- 机器学习系列（三十五）——决策树Decision Tree
- 机器学习系列（三十四）——支撑向量回归（SVR）
- 机器学习系列（三十三）——非线性可分问题与SVM核函数
- 机器学习系列（三十二）——Support Vector Mach
- 机器学习系列（三十一）——ROC曲线、多分类问题的混淆矩阵
- 机器学习系列（三十）——F1 Score与Precision-R
- 机器学习系列（二十九）——精准率precision和召回率rec
- 机器学习系列（二十八）——sklearn中的Logistic回归
- 机器学习系列(二十七)——决策边界与Logistic回归使用多项
- 机器学习系列（二十六）——Logistic回归
- 机器学习系列（二十五）——正则化之Ridge回归与LASSO回归
- 机器学习系列（二十四）——交叉验证与偏方差权衡
- 机器学习系列（二十三）——过拟合overfitting和欠拟合u
- 机器学习系列（二十二）——多项式回归
- 机器学习系列（二十一）——PCA降噪与人脸识别
- 机器学习系列（二十）——PCA在手写数字数据集的应用
- 机器学习系列（十九）——PCA进行特征降维
- 机器学习系列（十八）——主成分分析Principle Compo
- 我是这样理解--SVM，不需要繁杂公式的那种！(附代码)
- 机器学习系列（十七）——关于梯度下降法的更多思考
- 机器学习系列（十六）——随机梯度下降Stochastic Gra
- 机器学习系列（十五）——梯度下降法的优势
- 机器学习系列（十四）——梯度下降法Gradient Descen
- 机器学习系列（十三）——多元线性回归及knn做回归
- 机器学习系列（十二）——衡量回归算法性能的标准
- 机器学习系列（十一）——线性回归Linear Regressio
- 机器学习系列（十）——更多关于knn的思考
- 机器学习系列（九）——数据归一化及Sklearn中的Scaler
- 机器学习系列（八）——超参数GridSearch调节与模型优化
- 机器学习系列（七）——模型性能评测·准确率
- 机器学习系列（六）——knn算法原理与scikit-learn底
- 机器学习系列（五）——matplotlib数据可视化与iris数
- 机器学习系列（四）——Numpy中的矩阵运算与索引
- 机器学习系列（三）——Numpy数组与矩阵
- 机器学习系列（二）——Numpy模块基本操作
- 机器学习系列（一）——初识修罗场：机器学习简介
- 序章一：Markdown基本语法
实战机器学习深度学习算法，做属于自己的AI。
