| 相关资料链接 |
|---|
| 机器学习术语 速查表 |
| 章节 | 学习笔记 | 思维导图 | 课后习题 | 延伸阅读 | 扩展习题 | 其他 |
|---|---|---|---|---|---|---|
| 一、绪论 | Note1 | Mind1 | 习题1 | 基本概念part1 基本概念part2 基本概念Part3 机器学习基础（上） |
- | - |
| 二、模型评估与选择 | Note2 | Mind2 | 习题2 | 机器学习基础（下） |
- | - |
| 三、线性模型 | Note3 | Mind3 | 习题3 | 感知机（上） 感知机+SVM+LR（上） 感知机+SVM+LR（下） SVM(下) + LR Logistic回归+产生式模型 |
- | - |
| 四、决策树 | Note4 | Mind4 | 习题4 | 决策树+随机森林+AdaBoost（上） 决策树+随机森林+AdaBoost（中） 决策树+随机森林+AdaBoost（下） |
- | - |
| 五、神经网络与深度学习 | Note5 | Mind5 | 习题5 | - | - | |
| 六、支持向量机 | Note6 | Mind6 | 习题6 | 支持向量机 | - | - |
| 七、贝叶斯分类器 | Note7 | Mind7 | 习题7 | 朴素贝叶斯+隐马尔可夫模型 贝叶斯估计 NaiveBayes, HMM（上） NaiveBayes, HMM（上） NaiveBayes, HMM（下） 贝叶斯学习与EM算法（上） 贝叶斯学习与EM算法（中） 贝叶斯学习与EM算法（下） |
- | - |
| 八、集成学习 | Note8 | Mind8 | 习题8 | EM算法 EM算法回顾+集成学习 |
- | - |
| 九、聚类 | Note9 | Mind9 | 习题9 | - | - | |
| 十、降维与度量学习 | Note10 | Mind10 | 习题10 | - | - | |
| 十一、特征选择与稀疏学习 | Note11 | Mind11 | 习题11 | |||
| 十二、计算学习理论 | Note12 | Mind12 | 习题12 | |||
| 十三、半监督学习 | Note13 | Mind13 | 习题13 | |||
| 十四、概率图模型 | Note14 | Mind14 | 习题14 | 概率图模型(上) 概率图模型(中) 概率图模型(下) 概率图模型(下下) |
||
| 十五、规则学习 | Note15 | Mind15 | 习题15 | |||
| 十六、强化学习 | Note16 | Mind16 | 习题16 | |||