关于机器学习:ApacheCN-机器学习译文集-20211111-更新

• 台湾大学林轩田机器学习笔记

  • 机器学习基石

    • 1 — The Learning Problem
    • 2 — Learning to Answer Yes/No
    • 3 — Types of Learning
    • 4 — Feasibility of Learning
    • 5 — Training versus Testing
    • 6 — Theory of Generalization
    • 7 — The VC Dimension
    • 8 — Noise and Error
    • 9 — Linear Regression
    • 10 — Logistic Regression
    • 11 — Linear Models for Classification
    • 12 — Nonlinear Transformation
    • 13 — Hazard of Overfitting
    • 14 — Regularization
    • 15 — Validation
    • 16 — Three Learning Principles

  • 机器学习技法

    • 1 — Linear Support Vector Machine
    • 2 — Dual Support Vector Machine
    • 3 — Kernel Support Vector Machine
    • 4 — Soft-Margin Support Vector Machine
    • 5 — Kernel Logistic Regression
    • 6 — Support Vector Regression
    • 7 — Blending and Bagging
    • 8 — Adaptive Boosting
    • 9 — Decision Tree
    • 10 — Random Forest
    • 11 — Gradient Boosted Decision Tree
    • 12 — Neural Network
    • 13 — Deep Learning
    • 14 — Radial Basis Function Network
    • 15 — Matrix Factorization
    • 16（完结）— Finale

• Sklearn 秘籍

  • 第一章 模型预处理
  • 第二章 解决线性模型
  • 第三章 应用间隔向量构建模型
  • 第四章 应用 scikit-learn 对数据分类
  • 第五章 模型后处理

• Sklearn 学习手册

  • 一、机器学习 – 温和的介绍
  • 二、监督学习
  • 三、无监督学习
  • 四、高级性能

• SciPyCon 2018 sklearn 教程

  • 一、Python 机器学习简介
  • 二、Python 中的科学计算工具
  • 三、数据表示和可视化
  • 四、训练和测试数据
  • 五、监督学习第一局部：分类
  • 六、监督学习第二局部：回归剖析
  • 七、无监督学习第一局部：变换
  • 八、无监督学习第二局部：聚类
  • 九、sklearn 预计器接口回顾
  • 十、案例学习：泰坦尼克幸存者
  • 十一、文本特征提取
  • 十二、案例学习：用于 SMS 垃圾检测的文本分类
  • 十三、穿插验证和得分办法
  • 十四、参数抉择、验证和测试
  • 十五、预计器流水线
  • 十六、模型评估、得分指标和解决不均衡类别
  • 十七、深刻：线性模型
  • 十八、深刻：决策树与森林
  • 十九、主动特征选择
  • 二十、无监督学习：档次和基于密度的聚类算法
  • 二十一、无监督学习：非线性降维
  • 二十二、无监督学习：异样检测
  • 二十三、核外学习 – 用于语义剖析的大规模文本分类

• Python 机器学习在线指南

  • 作者
  • 引言

  • 外围概念

    • 穿插验证
    • 线性回归
    • 过拟合和欠拟合
    • 正则化

  • 监督学习

    • 逻辑回归
    • 奢侈贝叶斯分类
    • 决策树
    • k 最近邻
    • 线性反对向量机

  • 无监督学习

    • 聚类
    • 主成分剖析

  • 深度学习

    • 多层感知机
    • 卷积神经网络
    • 自编码器
  • 原文的协定

• 写给人类的机器学习

  • 一、为什么机器学习重要
  • 2.1 监督学习
  • 2.2 监督学习 II
  • 2.3 监督学习 III
  • 三、无监督学习
  • 四、神经网络和深度学习
  • 五、强化学习
  • 六、最好的机器学习资源
• 机器学习超级温习笔记

• 机器学习算法交易

  • 零、前言
  • 一、用于交易的机器学习——从理念到实际
  • 二、市场和根底数据——起源和技术
  • 三、金融备选数据——类别和用例
  • 四、金融特色工程——如何钻研阿尔法因子
  • 五、投资组合优化与体现评估
  • 六、机器学习过程
  • 七、线性模型——从危险因子到回报预测
  • 八、ML4T 工作流程——从模型到策略回溯测试
  • 九、稳定率预测和统计套利的工夫序列模型
  • 十、贝叶斯 ML——动静夏普比率和配对交易
  • 十一、随机森林——日本股票的长短策略
  • 十二、晋升你的交易策略
  • 十三、基于无监督学习的数据驱动危险因子与资产配置
  • 十四、用于交易的文本数据——情感剖析
  • 十五、主题建模——总结财经新闻
  • 十六、盈利报告和 SEC 文件的文字嵌入
  • 十七、用于交易的深度学习
  • 十八、金融工夫序列和卫星图像的 CNN
  • 十九、用于多元工夫序列和情感剖析的 RNN
  • 二十、用于条件危险因子和资产定价的自编码器
  • 二十一、合成工夫序列数据的生成反抗网络
  • 二十二、深度强化学习——建设交易智能体
  • 二十三、论断和下一步
  • 二十四、α 因子库
  • 二十五、参考文献

下载

Docker

docker pull apachecn0/apachecn-ml-zh
docker run -tid -p <port>:80 apachecn0/apachecn-ml-zh
# 拜访 http://localhost:{port} 

PYPI

pip install apachecn-ml-zh
apachecn-ml-zh <port>
# 拜访 http://localhost:{port} 

NPM

npm install -g apachecn-ml-zh
apachecn-ml-zh <port>
# 拜访 http://localhost:{port} 

奉献指南

本我的项目须要校对，欢送大家提交 Pull Request。

请您怯懦地去翻译和改良翻译。尽管咱们谋求卓越，但咱们并不要求您做到美中不足，因而请不要放心因为翻译上犯错——在大部分状况下，咱们的服务器曾经记录所有的翻译，因而您不用放心会因为您的失误受到无法挽回的毁坏。（改编自维基百科）

组织介绍

拜访咱们的主页。

资助咱们

通过平台自带的打赏性能，或点击这里。