------------------------------------本博客所有内容以学习、研究和分享为主，如需转载，请联系本人，标明作者和出处，并且是非商业用途，谢谢！--------------------------------
系列目录：
1 第一部分 模型的评估与数据处理 2 3 机器学习基础与实践（一）----数据清洗 4 5 机器学习基础与实践（二）----数据转换 6 7 机器学习基础与实践（三）----数据降维 8 9 10 11 第二部分 特征工程 12 13 机器学习基础与实践（四）----特征选择 14 15 机器学习基础与实践（五）----特征提取 16 17 机器学习基础与实践（六）----模型选择与评估 18 19 20 21 第三部分 算法基础之有监督算法 22 23 机器学习基础与实践（七）----广义线性模型 24 25 机器学习基础与实践（八）----最小二乘法 26 27 机器学习基础与实践（九）----LDA 28 29 机器学习基础与实践（十）----SGD 30 31 机器学习基础与实践（十一）----K近邻 32 33 机器学习基础与实践（十二）----高斯过程 34 35 机器学习基础与实践（十三）----决策树（ID3，C4.5，C5.0，CART） 36 37 机器学习基础与实践（十四）----朴素贝叶斯 38 39 机器学习基础与实践（十五）----支持向量机 40 41 机器学习基础与实践（十六）----集成学习（Bagging，RF，AdaBoost，Gradient Tree Boosting，Voting Classifier） 42 43 机器学习基础与实践（十七）----感知机模型 44 45 机器学习基础与实践（十八）----多分类算法 46 47 48 49 第四部分 算法基础之无监督算法 50 51 机器学习基础与实践（十九）----K-means 52 53 机器学习基础与实践（二十）----Affinity propagation 54 55 机器学习基础与实践（二十一）----Mean-shift 56 57 机器学习基础与实践（二十二）----Spectral clustering 58 59 机器学习基础与实践（二十三）----Ward hierachical 60 61 机器学习基础与实践（二十四）----Agglomerative clustering 62 63 机器学习基础与实践（二十五）----DBSCAN 64 65 机器学习基础与实践（二十六）----Gaussian mixtures 66 67 机器学习基础与实践（二十七）----Birch 68 69 70 71 第五部分 算法基础之推荐算法 72 73 机器学习基础与实践（二十八）----相似度计算 74 75 机器学习基础与实践（二十九）----Arules关联规则 76 77 机器学习基础与实践（三十）----Fp-Growth 78 79 机器学习基础与实践（三十一）----User-based or Item-based 80 81 82 83 第六部分 算法基础之半监督模型 84 85 机器学习基础与实践（三十二）----Label Propagation 86 87 88 89 第七部分 算法基础之其他模型 90 91 机器学习基础与实践（三十三）----概率图模型 92 93 机器学习基础与实践（三十四）----最大熵模型 94 95 机器学习基础与实践（三十五）----规则学习 96 97 机器学习基础与实践（三十六）----强化学习 98 99 机器学习基础与实践（三十七）----条件随机场 100 101 机器学习基础与实践（三十八）----保序回归（Isotonic regression） 102 103 机器学习基础与实践（三十九）----Probability calibration