大家好，又见面了，我是全栈君，今天给大家准备了Idea注册码。
生命不息，奋斗不止，在学*中寻找乐趣！
0 机器学*简介
概念：多领域交叉学科，涉及概率论、统计学、逼*论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学*行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
一 机器学*系列
(1) 机器学*之数据分析
(2) 机器学*之数据预处理
(3) 机器学*之模型评估
(4) 机器学*之K*邻算法
(5) 机器学*之logsitic回归
(8) 机器学*之集成学*
(9) 机器学*降维之主成分分析
(10) 机器学*降维之线性判别分析
(11) 机器学*之朴素贝叶斯
(12) 机器学*之隐马尔可夫模型
(13) 机器学*之条件随机场
(14) 机器学*之K均值聚类
(15) 机器学*之xgboost
(16) 垃圾邮件分类实战(SVM)
二 深度学*系列
深度学*是基于机器学*延伸出来的一个新的领域，由以人大脑结构为启发的神经网络算法为起源加之模型结构深度的增加发展，并伴随大数据和计算能力的提高而产生的一系列新的算法。
（2）使用Mxnet基于skip-gram模型实现word2vect
(3) 机器学*中常用激活函数和损失函数
（7）从零和使用mxnet实现批量归一化
(9) 从零和使用mxnet实现循环神经网络(创建歌词)
读过的书：
(1) 李航老师的<统计学*方法>，目前已出两版，第二版在第一版内容的基础上加入了无监督学*算法内容
(2) <机器学*实战> Peter Harrington著，python版本
(3) <机器学*实战基于Scikit-Learn和TensorFlow> Aurelien Geron著，包含机器学*和神经网络两部分，值得拥有
(4) <Keras 深度学*实战> 使用Keras架构对神经网络进行实战
(5) <Python深度学* 基于TensorFlow>
(6) <百面机器学* 算法工程师带你去面试> 茶余饭后阅读可以帮助我们对知识点有更好的认识
(7) <Convex Optimization 凸优化> Stephen Boyd Lieven Vandenberghe著，B站上有凌青老师的凸优化公开课，值得去听听
(8) <动手学深度学*> 基于mxnet框架，很值得新手学*
(9) <Python自然语言处理实战 核心技术与算法>
(10) 吴军老师的<数学之美>，值得推荐
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/119993.html原文链接：https://javaforall.net
