-
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。