机器学习100天
英文原版请移步Avik-Jain。
目录
- 有监督学习
- 无监督学习
数据预处理 | 第1天
简单线性回归 | 第2天
多元线性回归 | 第3天
逻辑回归 | 第4天
逻辑回归 | 第5天
今天我深入研究了逻辑回归到底是什么，以及它背后的数学是什么。学习了如何计算代价函数，以及如何使用梯度下降法来将代价函数降低到最小。
由于时间关系，我将隔天发布信息图。如果有人在机器学习领域有一定经验，并愿意帮我编写代码文档，也了解github的Markdown语法，请在领英联系我。
逻辑回归 | 第6天
K近邻法(k-NN) | 第7天
逻辑回归背后的数学 | 第8天
为了使我对逻辑回归的见解更加清晰，我在网上搜索了一些资源或文章，然后我就发现了Saishruthi Swaminathan的这篇文章
它给出了逻辑回归的详细描述。请务必看一看。
支持向量机(SVM) | 第9天
直观了解SVM是什么以及如何使用它来解决分类问题。
支持向量机和K近邻法 | 第10天
了解更多关于SVM如何工作和实现knn算法的知识。
K近邻法(k-NN) | 第11天
支持向量机(SVM) | 第12天
支持向量机(SVM) | 第13天
支持向量机(SVM)的实现 | 第14天
今天我在线性相关数据上实现了SVM。使用Scikit-Learn库。在scikit-learn中我们有SVC分类器，我们用它来完成这个任务。将在下一次实现时使用kernel-trick。Python代码见此处,Jupyter notebook见此处。
朴素贝叶斯分类器(Naive Bayes Classifier)和黑盒机器学习(Black Box Machine Learning) | 第15天
学习不同类型的朴素贝叶斯分类器同时开始Bloomberg的课程。课程列表中的第一个是黑河机器学习。它给出了预测函数，特征提取，学习算法，性能评估，交叉验证，样本偏差，非平稳性，过度拟合和超参数调整的整体观点。
通过内核技巧实现支持向量机 | 第16天
使用Scikit-Learn库实现了SVM算法以及内核函数，该函数将我们的数据点映射到更高维度以找到最佳超平面。
在Coursera开始深度学习的专业课程 | 第17天
在1天内完成第1周和第2周内容以及学习课程中的逻辑回归神经网络。
继续Coursera上的深度学习专业课程 | 第18天
完成课程1。用Python自己实现一个神经网络。
学习问题和Yaser Abu-Mostafa教授 | 第19天
开始Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程1。这基本上是对即将到来的课程的一种介绍。他也介绍了感知算法。
深度学习专业课程2 | 第20天
完成改进深度神经网络第1周内容：参数调整，正则化和优化。
网页搜罗 | 第21天
观看了一些关于如何使用Beautiful Soup进行网络爬虫的教程，以便收集用于构建模型的数据。
学习还可行吗? | 第22天
完成Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程2。学习Hoeffding不等式。
决策树 | 第23天
统计学习理论的介绍 | 第24天
Bloomberg ML课程的第3课介绍了一些核心概念，如输入空间，动作空间，结果空间，预测函数，损失函数和假设空间。
决策树 | 第25天
跳到复习线性代数 | 第26天
发现YouTube一个神奇的频道3Blue1Brown，它有一个播放列表《线性代数的本质》。看完了4个视频，包括了向量，线性组合，跨度，基向量，线性变换和矩阵乘法。
播放列表在这里。
跳到复习线性代数 | 第27天
继续观看了4个视频，内容包括三维变换、行列式、逆矩阵、列空间、零空间和非方矩阵。
播放列表在这里。
跳到复习线性代数 | 第28天
继续观看了3个视频，内容包括点积和叉积。
播放列表在这里。
跳到复习线性代数 | 第29天
观看了剩余的视频12到14，内容包括特征向量和特征值，以及抽象向量空间。
播放列表在这里。
微积分的本质 | 第30天
完成上一播放列表后，YouTube推荐了新内容《微积分的本质》，今天看完了其中的3个视频，包括导数、链式法则、乘积法则和指数导数。
播放列表在这里。
微积分的本质 | 第31天
观看了2个视频，内容包括隐分化与极限。
播放列表在这里。
微积分的本质 | 第32天
观看了剩余的4个视频，内容包括积分与高阶导数。
播放列表在这里。
随机森林 | 第33天
随机森林 | 第34天
K-均值聚类 | 第43天
转到无监督学习，并研究了聚类。可在作者网站查询。发现一个奇妙的动画有助于理解K-均值聚类。
