深度思考之机器学习系列

本系列将包含机器学习、深度学习、实战和数学基础等相关知识，所有内容均通过asciidoctor编写;

内容同时更新在pdf文档中，方便大家阅读，此系列将持续更新！

目前已更新完前八章内容，继续加油！

计划的目录结构

第一章：机器学习基本概念

1.1：统计学习

1.2：统计学习三要素

1.2.1：模型

1.2.2：策略

1.2.3：算法

1.3：模型评估

1.3.1：正则化

1.3.2：交叉验证

1.3.3：泛化能力

1.3.4：生成模型和判别模型

1.4：深度思考

1.4.1：贝叶斯理论

第二章：线性回归和逻辑回归

2.1：线形回归

2.1.1：概念

2.1.2：梯度下降

2.1.3：梯度下降的局限性

2.1.4：深度思考

2.2：逻辑回归

2.2.1：揭开面纱

2.2.2：sigmoid函数

2.2.3：参数更新

2.2.4：深度思考

第三章：特征工程

3.1：因子

3.2：特征工程

3.2.1：数据清洗

3.2.2：数据采样

3.2.3：特征处理

第四章：支持向量机

4.1：开门见山

4.2：高维空间

4.2.1：超平面的表示

4.2.2：点到平面距离

4.3：问题优化

4.3.1：理解对偶问题

4.3.2：等价性证明

4.4：对偶问题求解

4.4.1：推导和结论

4.4.2：SMO算法

4.5：软间隔分类器

4.5.1：优化问题

4.5.2：合页损失

4.6：核技巧

4.7：深度思考

4.7.1：深入理解KKT条件

4.7.2：如何理解高斯核将数据映射到无穷维

第五章：主题模型

5.1：解决什么问题

5.2：给问题建模

5.2.1：建模

5.2.2：第一次思考

5.2.3：第二次思考

5.2.4：第三次思考

5.3：文本建模

5.3.1：文档是如何产生的

5.3.2：pLSA模型

5.3.3：LDA模型

5.3.4：变分EM算法求解pLSA

5.4：终篇

第六章：最大熵理论和多分类器

6.1：最大熵原理

6.1.1：最大熵定义

6.1.2：最大熵模型推导

6.1.3：多分类器

6.2：指数分布簇

6.3：广义线性模型

6.4：广义线形模型应用-多项式分布

第七章：EM算法

7.1：前置知识点

7.1.1：Jensen不等式

7.1.2：最大似然估计

7.2：EM算法

7.2.1：直通结论

7.2.2：EM推导

第八章：决策树和集成学习

8.1：决策树模型

8.2：集成学习

8.2.1：Adboost详解

8.2.2：GBDT详解

8.2.3：XGBoost详解

8.2.4：总结

8.2.5：深度思考

第九章：推荐系统

第十章：聚类和近邻算法

10.1：kmeans算法

10.2：kmeans++算法

10.2.1：基本理论

10.2.2：算法核心

10.3：基于层次的聚类

10.4：knn算法

10.5：kd树

10.5.1：构造kd树

10.5.2：搜索kd树

第十一章：贝叶斯理论

11.1：一个公式的故事

11.2：一些常见题目

11.2.1：两信封和美元的问题

11.2.2：三扇门和开奖的问题

第十二章：隐马尔科夫模型

第十三章：条件随机场

第十四章：深度学习概论

第十五章：深度学习中的优化算法

第十六章：深度学习中的正则化

第十七章：深度神经网络

第十八章：卷积神经网络

第十九章：循环神经网络

第二十章：神经网络番外篇

第二十一章：生成对抗网络

第二十二章：迁移学习

第二十三章：强化学习

第二十四章：数学之美

第二十五章：深度学习框架

第二十六章：走进互联网