第一篇 优化算法
001 梯度下降（GradientDescent）小结
002 最小二乘法小结
第二篇 模型优化参数
003 交叉验证(CrossValidation)原理小结
004 精确率与召回率，RoC曲线与PR曲线
第三篇 线性回归
005 线性回归原理小结
006 scikit-learn和pandas基于windows单机机器学习环境的搭建
007 用scikit-learn和pandas学习线性回归
008 Lasso回归算法：坐标轴下降法与最小角回归法小结
009 用scikit-learn和pandas学习Ridge回归
010 scikit-learn线性回归算法库小结
第三篇 逻辑回归
011 逻辑回归原理小结
012 scikit-learn逻辑回归类库使用小结
第四篇 感知机
第五篇 决策树
015 决策树算法原理(上)
016 决策树算法原理(下)
017 scikit-learn决策树算法类库使用小结
第六篇 K近邻法(KNN)
018 K近邻法(KNN)原理小结
019 scikit-learnK近邻法类库使用小结
第七篇 朴素贝叶斯算法
020 朴素贝叶斯算法原理小结
021 scikit-learn朴素贝叶斯类库使用小结
第八篇 最大熵模型
第九篇 支持向量机
023 支持向量机原理(一)线性支持向量机
024 支持向量机原理(二)线性支持向量机的软间隔最大化模型
025 支持向量机原理(三)线性不可分支持向量机与核函数
026 支持向量机原理(四)SMO算法原理
027 支持向量机原理(五)线性支持回归
028 scikit-learn支持向量机算法库使用小结
029 支持向量机高斯核调参小结
第十篇 集成学习
030 集成学习原理小结
031 集成学习之Adaboost算法原理小结
032 scikit-learnAdaboost类库使用小结
033 梯度提升树(GBDT)原理小结
034 scikit-learn梯度提升树(GBDT)调参小结
035 Bagging与随机森林算法原理小结
036 scikit-learn随机森林调参小结
037 XGBoost算法原理小结
038 XGBoost类库使用小结
第十一篇 无监督学习
039 K-Means聚类算法原理
040 用scikit-learn学习K-Means聚类
041 BIRCH聚类算法原理
042 用scikit-learn学习BIRCH聚类
043 DBSCAN密度聚类算法
044 用scikit-learn学习DBSCAN聚类
045 谱聚类（spectralclustering）原理总结
046 用scikit-learn学习谱聚类
第十二篇 降维算法
047 主成分分析（PCA）原理总结
048 用scikit-learn学习主成分分析(PCA)
049 线性判别分析LDA原理总结
050 用scikit-learn进行LDA降维
051 奇异值分解(SVD)原理与在降维中的应用
052 局部线性嵌入(LLE)原理总结
053 用scikit-learn研究局部线性嵌入(LLE)
第十三篇 推荐算法
054 典型关联分析(CCA)原理总结
055 Apriori算法原理总结
056 FPTree算法原理总结
057 PrefixSpan算法原理总结
058 用Spark学习FPTree算法和PrefixSpan算法
059 协同过滤推荐算法总结
060 矩阵分解在协同过滤推荐算法中的应用
061 SimRank协同过滤推荐算法
062 用Spark学习矩阵分解推荐算法
063 分解机(FactorizationMachines)推荐算法原理
064 EM算法原理总结
第十四篇 特征工程
065 特征工程之特征选择
066 特征工程之特征表达
067 特征工程之特征预处理
第十四篇 贝叶斯个性化排序(BPR)算法
068 贝叶斯个性化排序(BPR)算法小结
069 用tensorflow学习贝叶斯个性化排序(BPR)
第十五篇 用PMML实现机器学习模型的跨平台上线
第十六篇 异常点检测算法
第十七篇 推荐阅读
推荐书单（网课）-人生/编程/Python/机器学习
Python从入门到放弃（目录）
十天快速入门Python（目录）
数据结构与算法-Python/C（目录）
Go从入门到放弃（目录）
统计机器学习（目录）
TensorFlow2教程（目录）
机器学习（目录）
Python能干啥（目录）
考研每日总结
大数据分析和人工智能科普
人工智能（机器学习）学习之路推荐
