机器学习

感谢大牛整理的机器学习资源：https://github.com/Flowerowl/Big_Data_Resources#大数据-数据挖掘

McGrawHill出版社发行的.Tom著作的机器学习经典，涵盖数据挖掘通用算法。

对于此存储库的Octave/MatLab版本，请检查项目。该存储库包含用Python实现的流行机器学习算法的示例，并在后面解释了数学原理。每种算法都有交互式的Jupyter Notebook演示，使您可以使用训练数据、算法配置并立即在浏览器中查看结果、图表和预测。在大多数情况下，解释是基于Andrew Ng的。这个仓库的目的不是为了实现机器使用第三方库“单行”，而是练从头开始执行这些算法和获得更好的每种算法背后的数学理解学习算法。这就是为什么所有算法实现都称为“自制”而不是用于生产的原因。

吴恩达矩阵学习是针对机器学习所设计的，可以帮助你更好地理解线性代数在机器学习中的应用，进而理解更复杂的机器学习概念。

算法实战：探索机器学习核心 本篇带您深入浅出地了解机器学习常见算法，涵盖监督学习、无监督学习和强化学习三大类别，并结合实际案例，助您快速上手算法应用。 ### 监督学习 线性回归: 预测连续目标变量，例如房价预测。 逻辑回归: 解决二分类问题，例如判断邮件是否为垃圾邮件。 决策树: 构建树形结构进行分类或回归预测，例如客户流失预警。 ### 无监督学习 聚类分析: 将数据分组到不同的簇中，例如客户细分。 主成分分析: 降低数据维度，提取主要特征，例如图像压缩。 ### 强化学习 Q-learning: 通过试错学习最优策略，例如游戏 AI。 SARSA: 基于当前策略

此指南提供机器学习与Spark的清晰介绍，涵盖基础概念、技术和实用示例。

三位统计学家和计算机专家的重要著作，强调数学基础，涵盖统计与计算机领域，是学习数据挖掘和统计学习理论的必备文献，提供djvu格式的英文原版。

gbrank机器学习在各领域的广泛应用展示了其在科技创新中的重要性。

机器学习的数学基础 机器学习是基于数学原理的，这些原理包括线性代数、概率论和统计学。 线性代数提供了表示和操作数据的方法。它用于处理向量、矩阵和变换，这些都是机器学习算法的基本构建块。 概率论提供了处理不确定性和随机性的方法。它用于表示和推理事件发生的可能性，这是机器学习中的一个关键概念。 统计学提供了从数据中提取有意义信息的工具和技术。它用于估计模型参数、评估算法性能以及进行假设检验。

吴恩达机器学习编程作业（MATLAB实现） 林轩田机器学习基石课程编程作业（MATLAB实现） 吴恩达机器学习编程作业： 作业一Q15-17 作业一Q18-20 作业二Q16-18 作业二Q19-20 林轩田机器学习基石课程编程作业： 作业三Q7-10 作业三Q13-15 作业三Q18-20 作业四Q13-20