| 篇序 | 主题 | 进度 |
|---|---|---|
| E1 | 术语理论 | 基础完成 |
| E2 | 0. 线性回归 | 基础完成 |
| 1. 梯度下降与正则化 | 基础完成 | |
| 2. Python实现线性回归 | 施工中 | |
| 3. 线性回归实际问题 | 施工中 | |
| E3 | Logistic回归 | 施工中 |
| E4 | 朴素贝叶斯 | 施工中 |
| E5 | 决策树ID3、C4.5与CART | 施工中 |
| E6 | 支持向量机 | 未创建 |
| E7 | 0. 聚类 | 施工中 |
| 1. K-Means聚类处理线段 | 施工中 | |
| E8 | 推荐系统 | 未创建 |
| E9 | 神经网络 | 未创建 |
| E10 | ······ | ······ |
后续工作计划：
- E1 需要补完 模型评估与选择
- E5 需要补完 集成学习（随机森林、GBDT、XGboost）
- 考虑在E7 之后插入 降维与度量学习 特征选择与稀疏学习 特征工程 计算学习理论（PAC、VC维）
- 补完推导与Python实现，sklearn
- 精简优化（暂时不考虑）
看起来很理想，没多的话讲，大概只有努力可以对抗庸常
网友评论