学习的主线是《机器学习入门到实战MATLAB实践应用》
作者：冷雨泉、张会文、张伟等
1、机器学习基础
数据集、样本集
分类：结果为离散值时，如“成熟”、“不成熟”为二分类， 涉及多个类别时，成为多分类。
回归：当结果预测值为连续值时，如预测西瓜的成熟度，成为回归。
泛华：指训练的模型不仅适用于训练样本，同时适用于新样本。
2、MATLAB基础入门（机器学习软件仅是工具，我们学校人才培养方案是以python为主线，但这本书将的MATLAB，感觉很好，结合使用）
矩阵运算是核心
3、MATLAB机器学习工具箱
Classification Learner实现分类算法
4、k近邻算法
k近邻（k-Nearest Neighbor,KNN）分类算法是最简单的机器学习算法之一，
思路：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某个类别，则该样本也属于这个类别。
5、决策树（0730）
https://www.cnblogs.com/luozeng/p/8604997.html
决策树原理实例（python代码实现）
ID3决策树：香农信息熵（entropy）、信息增益量（Information Gain）
C4.5决策树：是ID3的改进算法，属性的选择是依靠“信息增益率”进行的。
6、支持向量机
SVM，Support Vector Machine，以统计学习理论为基础，解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机可以分析数据、识别模式、分类和回归分析。
7、朴素贝叶斯
概率论中的贝叶斯公式、贝叶斯定理， 英国数学家贝叶斯（Thomas Bayes, 1702-1761）
8、线性回归
回归：给出一个点集D，用一个函数去拟合这个点集，并且使得点集与拟合函数之间的误差最小，如果这个函数曲线是一条直线，就称为简单线性回归。
9、逻辑回归（20190731）
https://blog.csdn.net/pandacode/article/details/80435371
求偏导部分没有看明白
数据没有下载完
https://blog.csdn.net/zouxy09/article/details/20319673
这篇文章写得更加深入浅出一点。
sigmod函数、学习率的使用更容易理解（以女生是否喜欢自己为例，不再是简单的喜欢不喜欢，而是喜欢的百分比）
10、神经网络（20190801）
https://www.jianshu.com/p/d6cca5703f54
目前找到的，最容易理解的ANN了。
y=k*x+b做输入输出，
根据样本数据的x->y 随机定义k、b之后做反馈、不断根据结果与预测的偏差做矫正，以适当的循环次数或者精度差作为循环的终止条件。
11、AdaBoost算法
12、K均值算法
13、期望最大化算法
EM算法，bayes，
网友评论