通俗易懂的机器学习

通过一个实例了解机器学习各种算法的特点——根据海量广告投放的用户点击数据，通过机器学习构建预测模型预估用户的是否进行广告点击。

机器学习的规划、以及学习总路线汇总，其中附上相关的代码、推导与解析，希望能够帮助大家快速上手机器学习。

DBSCAN算法的基本原理，以及使用python对DBSCAN算法的手动实现，并对结果进行画图演示。

在jetson nano 上配置tensorflow依赖包安装过程、遇到的坑点、以及解决的方法汇总。

使用服务器训练模型全过程详解以及pycharm、xshell、xmanager软件的下载、配置及使用

普通决策树与随机森林的对比说明集成学习的必要性并介绍使用投票器、bagging、Out of Bag-oob、随机森林、极端树、Ada Boosting、Gradient Boosting进行集成学习

在前两篇关于降维的博客中我们已经讨论了协方差、奇异值、PCA分解法的原理以及公式推导，下面我们来进行协方差、奇异值分解和PCA的代码实现以及效果对比

梯度上升主成分分析是一个常用来进行降维、降噪的操作，它通过变换坐标轴（实际上是数据的映射）使得数据直接的方差最大，即更容易被划分

降维，顾名思义就是将高维数据映射到低维数据。本文由一个例子引入，对于降维过程进行数学推导以及推导过程的解释。

本文主要介绍交叉验证的种类、实现方式以及效果；贝叶斯分类的公式推导以及应用场景；决策树在实现鸢尾花分类时的训练过程；通过对比KNN、贝叶斯以及决策树的异同进行基础知识补弱

通过mnist示例，展现数据的加载和数据集的划分以及分层抽样；采用多种模型进行分类并使用交叉验证、精度、召回率、F1和ROC进行模型评估。最后简要介绍OvR和OvO的异同

K-means的应用场景 客户细分、数据分析、降维、半监督学习、搜索引擎、分割图像 sklearn实现K-means 使用鸢尾花数据进行聚类 聚类结果 查看三个中心点 使用K-means进行图片分割

之前曾经实现过可以应用在离散取值区间的简易决策树，现在我们将仿照sklearn的实现效果写了一个取值范围可以是连续区间的通用决策树。

决策树是机器学习中一个常见的算法模型，本文将从一个简单的离散区间的分类问题分析决策树的建立过程，并使用python手动实现简易的决策树

利用贝叶斯公式，我们可以在计算机上验证和测试垃圾邮件的字词统计，计算词语出现的概率。并根据的得出来的概率来判断一封新的邮件是垃圾邮件还是正常邮件。

加州房价是最为典型的机器学习问题之一，本文将帮助你从零开始理解机器学习并建立自己的第一个机器学习任务。