Machine Learning

• • [1.1 人工智能概述](1.机器学习概述/1.1 人工智能概述.md)
  • [1.2 人工智能发展历程](1.机器学习概述/1.2 人工智能发展历程.md)
  • [1.3 人工智能主要分支](1.机器学习概述/1.3 人工智能主要分支.md)
  • [1.4 机器学习工作流程](1.机器学习概述/1.4 机器学习工作流程.md)
  • [1.5 机器学习算法分类](1.机器学习概述/1.5 机器学习算法分类.md)
  • [1.6 模型评估](1.机器学习概述/1.6 模型评估.md)
  • [1.7 Azure机器学习模型搭建实验](1.机器学习概述/1.7 Azure机器学习模型搭建实验.md)
  • [1.8 深度学习简介](1.机器学习概述/1.8 深度学习简介.md)

• • [2.1 库的安装](2.环境安装与使用/2.1 库的安装.md)
  • [2.2 Jupyter Notebook使用](2.环境安装与使用/2.2 Jupyter Notebook使用.md)

• • [3.1 Matplotlib之HelloWorld](3.Matplotlib/3.1 Matplotlib之HelloWorld.md)
  • [3.2 基础绘图功能](3.Matplotlib/3.2 基础绘图功能.md)
  • [3.3 常见图形绘制](3.Matplotlib/3.3 常见图形绘制.md)

• • [4.1 Numpy优势](4.Numpy/4.1 Numpy优势.md)
  • [4.2 N维数组-ndarray](4.Numpy/4.2 N维数组-ndarray.md)
  • [4.3 基本操作](4.Numpy/4.3 基本操作.md)
  • [4.4 ndarray运算](4.Numpy/4.4 ndarray运算.md)
  • [4.5 数组间运算](4.Numpy/4.5 数组间运算.md)
  • [4.6 数学：矩阵](4.Numpy/4.6 数学：矩阵.md)

• • [5.10 高级处理-交叉表与透视表](5.Pandas/5.10 高级处理-交叉表与透视表.md)
  • [5.11 高级处理-分组与聚合](5.Pandas/5.11 高级处理-分组与聚合.md)
  • [5.2 Pandas数据类型](5.Pandas/5.2 Pandas数据类型.md)
  • [5.3 基本数据操作](5.Pandas/5.3 基本数据操作.md)
  • [5.4 DataFrame运算](5.Pandas/5.4 DataFrame运算.md)
  • [5.5 Pandas画图](5.Pandas/5.5 Pandas画图.md)
  • [5.6 文件读取与存储](5.Pandas/5.6 文件读取与存储.md)
  • [5.7 高级处理-缺失值处理](5.Pandas/5.7 高级处理-缺失值处理.md)
  • [5.8 高级处理-数据离散化](5.Pandas/5.8 高级处理-数据离散化.md)
  • [5.9 高级处理-合并](5.Pandas/5.9 高级处理-合并.md)

• • [6.1 完整机器学习项目的流程（拓展阅读）](6.扩展阅读/6.1 完整机器学习项目的流程（拓展阅读）.md)
  • [6.2 独立同分布IID](6.扩展阅读/6.2 独立同分布IID.md)
  • [6.3 下一阶段引言](6.扩展阅读/6.3 下一阶段引言.md)

• • [5.1 Seaborn----绘制统计图形](7.Seaborn/5.1 Seaborn----绘制统计图形.md)
  • [5.2 用分类数据绘图](7.Seaborn/5.2 用分类数据绘图.md)
  • [5.3 案例：NBA球员数据分析](7.Seaborn/5.3 案例：NBA球员数据分析.md)

• • [8.1 数据分析实战----北京租房数据统计分析](8.综合案例/8.1 数据分析实战----北京租房数据统计分析.md)
  • [8.2 下一阶段引言](8.综合案例/8.2 下一阶段引言.md)

• • [9.1 K-近邻算法简介](9.K近临算法/9.1 K-近邻算法简介.md)
  • [9.10 交叉验证，网格搜索](9.K近临算法/9.10 交叉验证，网格搜索.md)
  • [9.11 案例2：预测facebook签到位置](9.K近临算法/9.11 案例2：预测facebook签到位置.md)
  • [9.2 k近邻算法api初步使用](9.K近临算法/9.2 k近邻算法api初步使用.md)
  • [9.3 距离度量](9.K近临算法/9.3 距离度量.md)
  • [9.4 k值的选择](9.K近临算法/9.4 k值的选择.md)
  • [9.5 kd树](9.K近临算法/9.5 kd树.md)
  • [9.6 案例：鸢尾花种类预测--数据集介绍](9.K近临算法/9.6 案例：鸢尾花种类预测--数据集介绍.md)
  • [9.7 特征工程-特征预处理](9.K近临算法/9.7 特征工程-特征预处理.md)
  • [9.8 案例：鸢尾花种类预测—流程实现](9.K近临算法/9.8 案例：鸢尾花种类预测—流程实现.md)
  • [9.9 KNN算法总结](9.K近临算法/9.9 KNN算法总结.md)

• • [10.1 线性回归简介](10.线性回归/10.1 线性回归简介.md)
  • [10.10 线性回归的改进-岭回归](10.线性回归/10.10 线性回归的改进-岭回归.md)
  • [10.11 模型的保存和加载](10.线性回归/10.11 模型的保存和加载.md)
  • [10.2 线性回归api初步使用](10.线性回归/10.2 线性回归api初步使用.md)
  • [10.3 数学求导](10.线性回归/10.3 数学求导.md)
  • [10.4 线性回归的损失和优化](10.线性回归/10.4 线性回归的损失和优化.md)
  • [10.5 梯度下降方法介绍](10.线性回归/10.5 梯度下降方法介绍.md)
  • [10.6 线性回归api再介绍](10.线性回归/10.6 线性回归api再介绍.md)
  • [10.7 案例：波士顿房价预测Untitled](10.线性回归/10.7 案例：波士顿房价预测Untitled.md)
  • [10.8 欠拟合和过拟合](10.线性回归/10.8 欠拟合和过拟合.md)
  • [10.9 正则化线性模型](10.线性回归/10.9 正则化线性模型.md)

• • [11.1 逻辑回归介绍](11.逻辑回归/11.1 逻辑回归介绍.md)
  • [11.2 逻辑回归api介绍](11.逻辑回归/11.2 逻辑回归api介绍.md)
  • [11.3 案例：癌症分类预测-良／恶性乳腺癌肿瘤预测](11.逻辑回归/11.3 案例：癌症分类预测-良／恶性乳腺癌肿瘤预测.md)
  • [11.4 分类评估方法](11.逻辑回归/11.4 分类评估方法.md)
  • [11.5 ROC曲线的绘制](11.逻辑回归/11.5 ROC曲线的绘制.md)

• • [12.1 决策树算法简介](12.决策树/12.1 决策树算法简介.md)
  • [12.2 决策树分类原理](12.决策树/12.2 决策树分类原理.md)
  • [12.3 cart剪枝](12.决策树/12.3 cart剪枝.md)
  • [12.4 特征工程-特征提取](12.决策树/12.4 特征工程-特征提取.md)
  • [12.5 决策树算法api](12.决策树/12.5 决策树算法api.md)
  • [12.6 案例：泰坦尼克号乘客生存预测](12.决策树/12.6 案例：泰坦尼克号乘客生存预测.md)
  • [12.7 回归决策树](12.决策树/12.7 回归决策树.md)

• • [13.1 集成学习算法简介](13.集成学习/13.1 集成学习算法简介.md)
  • [13.2 Bagging和随机森林](13.集成学习/13.2 Bagging和随机森林.md)
  • [13.3 otto案例](13.集成学习/13.3 otto案例.md)
  • [13.4 Boosting](13.集成学习/13.4 Boosting.md)
  • [13.5 GBDT介绍](13.集成学习/13.5 GBDT介绍.md)

• • [14.1 聚类算法简介](14.聚类算法/14.1 聚类算法简介.md)
  • [14.2 聚类算法api初步使用](14.聚类算法/14.2 聚类算法api初步使用.md)
  • [14.3 聚类算法实现流程](14.聚类算法/14.3 聚类算法实现流程.md)
  • [14.4 模型评估](14.聚类算法/14.4 模型评估.md)
  • [14.5 算法优化](14.聚类算法/14.5 算法优化.md)
  • [14.6 特征降维](14.聚类算法/14.6 特征降维.md)
  • [14.7 案例：探究用户对物品类别的喜好细分](14.聚类算法/14.7 案例：探究用户对物品类别的喜好细分.md)

• 15.第三阶段拓展

  • [15.1 其他距离公式](15.第三阶段拓展/15.1 其他距离公式.md)
  • [15.2 再议数据分割](15.第三阶段拓展/15.2 再议数据分割.md)
  • [15.3 正规方程的另一种推导方式](15.第三阶段拓展/15.3 正规方程的另一种推导方式.md)
  • [15.4 梯度下降法算法比较和进一步优化](15.第三阶段拓展/15.4 梯度下降法算法比较和进一步优化.md)
  • [15.5 多项式回归](15.第三阶段拓展/15.5 多项式回归.md)
  • [15.6 维灾难](15.第三阶段拓展/15.6 维灾难.md)
  • [15.7 分类中解决类别不平衡问题](15.第三阶段拓展/15.7 分类中解决类别不平衡问题.md)
  • [15.8 向量与矩阵的范数](15.第三阶段拓展/15.8 向量与矩阵的范数.md)
  • [15.9 无偏估计](15.第三阶段拓展/15.9 无偏估计.md)

• • [16.1 朴素贝叶斯算法简介](16.朴素贝叶斯/16.1 朴素贝叶斯算法简介.md)
  • [16.2 概率基础复习](16.朴素贝叶斯/16.2 概率基础复习.md)
  • [16.3 案例：商品评论情感分析](16.朴素贝叶斯/16.3 案例：商品评论情感分析.md)
  • [16.4 朴素贝叶斯算法总结](16.朴素贝叶斯/16.4 朴素贝叶斯算法总结.md)

• • [17.1 SVM算法简介](17.支持向量机/17.1 SVM算法简介.md)
  • [17.2 SVM算法api初步使用](17.支持向量机/17.2 SVM算法api初步使用.md)
  • [17.3 SVM算法原理](17.支持向量机/17.3 SVM算法原理.md)
  • [17.4 SVM的损失函数](17.支持向量机/17.4 SVM的损失函数.md)
  • [17.5 SVM的核方法](17.支持向量机/17.5 SVM的核方法.md)
  • [17.6 SVM回归](17.支持向量机/17.6 SVM回归.md)
  • [17.7 SVM算法api再介绍](17.支持向量机/17.7 SVM算法api再介绍.md)
  • [17.8 案例：数字识别器](17.支持向量机/17.8 案例：数字识别器.md)
  • [17.9 SVM总结](17.支持向量机/17.9 SVM总结.md)

• • [18.1 初识EM算法](18.EM算法/18.1 初识EM算法.md)
  • [18.2 EM算法介绍](18.EM算法/18.2 EM算法介绍.md)
  • [18.3 EM算法实例](18.EM算法/18.3 EM算法实例.md)

• • [19.1 马尔科夫链](19.HMM模型/19.1 马尔科夫链.md)
  • [19.2 HMM简介](19.HMM模型/19.2 HMM简介.md)
  • [19.3 HMM模型基础](19.HMM模型/19.3 HMM模型基础.md)
  • [19.4 前向后向算法评估观察序列概率](19.HMM模型/19.4 前向后向算法评估观察序列概率.md)
  • [19.5 维特比算法解码隐藏状态序列](19.HMM模型/19.5 维特比算法解码隐藏状态序列.md)
  • [19.6 鲍姆-韦尔奇算法简介](19.HMM模型/19.6 鲍姆-韦尔奇算法简介.md)
  • [19.7 HMM模型API介绍](19.HMM模型/19.7 HMM模型API介绍.md)

• • [20.1 xgboost算法原理](20.集成学习进阶/20.1 xgboost算法原理.md)
  • [20.2 xgboost算法api介绍](20.集成学习进阶/20.2 xgboost算法api介绍.md)
  • [20.3 xgboost案例介绍](20.集成学习进阶/20.3 xgboost案例介绍.md)
  • [20.4 xgboost-otto案例介绍](20.集成学习进阶/20.4 xgboost-otto案例介绍.md)
  • [20.5 xgboost-lightGBM](20.集成学习进阶/20.5 xgboost-lightGBM.md)
  • [20.6 lightGBM算法api介绍](20.集成学习进阶/20.6 lightGBM算法api介绍.md)
  • [20.7 lightGBM案例介绍](20.集成学习进阶/20.7 lightGBM案例介绍.md)
  • [20.8 《绝地求生》玩家排名预测](20.集成学习进阶/20.8 《绝地求生》玩家排名预测.md)

• 21.扩展知识

  • [21.1 向量与矩阵的范数](21.扩展知识/21.1 向量与矩阵的范数.md)
  • [21.2 朗格朗日乘子法](21.扩展知识/21.2 朗格朗日乘子法.md)
  • [21.3 极大似然函数取对数的原因](21.扩展知识/21.3 极大似然函数取对数的原因.md)