待消化的机器学习资源

网上收集的资源，还没有来的几消化，分享，学习。

算法

1. 决策树 - 参考：decision Tree（Python 实现）

2. SVM 支持向量机 - 参考：pluskid 支持向量机三重境界

3. Adaboost - 参考：组合算法 - Adaboost

4. Random Forest - 参考：随机森林算法

5. 朴素贝叶斯算法 - 参考：Naive Bayes 算法实现

6. 人工神经网络 - 参考：

7. Apriori 算法 - 参考地址：Apriori 关联分析

8. K 最近邻算法 - 参考：KNN 从原理到实现

9. 梯度树提升 GTB 算法 - 参考：Gradient Tree Boosting（或 GBRT）

10. K-means 聚类 - 参考：K-means cluster

11. 组合算法总结 - 参考：Ensemble 算法总结

12. EM 期望最大算法 - 参考：EM 算法

13. Logistic 回归 - 参考：逻辑回归

14. HMM 隐马尔可夫模型，参考:HMM

15. 条件随机场，参考：CRF

16. 随机森林和 GBDT，参考：决策树模型组合之随机森林与 GBDT

17. 特征选择和特征提取，参考：特征提取与特征选择

18. 梯度下降法，参考:gradient descent

19. 牛顿法，参考：牛顿法

20. 线性判别分析，参考：线性判别

21. 深度学习 - 深度学习概述：从感知机到深度网络

数据集

最全面超大规模数据集下载链接汇总

机器学习概念

01. 机器学习（1）之入门概念

02. 机器学习（2）之过拟合与欠拟合

03. 机器学习（3）之最大似然估计

04. 机器学习（4）之线性判别式（附Python源码）

05. 机器学习(5)之决策树ID3及Python实现

06. 机器学习(6)之朴素贝叶斯NB及实例

07. 机器学习(7)之感知机python实现

08. 机器学习(8)之范数正则与Lasso详解

09. 机器学习(9)之ID3算法详解及python实现

10. 机器学习(10)之趣味案例理解朴素贝叶斯

11. 机器学习(11)之C4.5详解与Python实现（从解决ID3不足的视角）

12. 机器学习(12)之决策树总结与python实践(~附源码链接~)

13. 机器学习（13）之最大熵模型详解

14. 机器学习（14）之评价准则RoC与PR

15. 机器学习（15）之支持向量机原理(一)线性支持向量机

16. 机器学习(16)之支持向量机原理(二)软间隔最大化

17. 机器学习(17)之集成学习原理总结

18. 机器学习(18)之支持向量机原理(三)线性不可分支持向量机与核函数

19. 机器学习(19)之支持向量回归机

20. 机器学习(20)之Adaboost算法原理小结

21. 机器学习(21)之scikit-learn Adaboost类库的实战分析

22. 机器学习(22)之Apriori算法原理总结

23. 机器学习(23)之GBDT详解

24. 机器学习(24)之Bagging与随机森林

25. 机器学习(25)之K-Means聚类算法详解

26. 机器学习(26)之K-Means实战与调优详解

27. 机器学习(27)【降维】之主成分分析(PCA)详解

28. 机器学习(28)【降维】之sklearn中PCA库讲解与实战

29. 机器学习(29)之奇异值分解SVD原理与应用详解

出处