该手册只有130页,整理了几乎所有关机机器学习的概念、模型、基础知识点,它将帮助读者快速回顾关于机器学习相关的核心知识点和重要公式、模型、概念。涉及概率模型、处理离散数据的生成模型、高斯模型、贝叶斯模型、统计模型、现性回归、逻辑回归、有向图模型、现性生成模型、隐马尔科夫模型、核模型等等,非常适合正在准备机器学习相关的工作面试的读者。
书籍来源:https://github.com/soulmachine/machine-learning-cheat-sheet
文末附本书免费下载地址。
本书目录
部分章节内容节选
本书免费pdf下载地址
微信公众号“生信宝典”回复关键字“ml2020”获取下载地址
与之相对应的中文书周志华老师的《机器学习》也是相当好(最近坐公交车一直在啃这本书,系统学习下)。
深度学习与NLP
机器学习系列教程
从随机森林开始,一步步理解决策树、随机森林、ROC/AUC、数据集、交叉验证的概念和实践。
文字能说清的用文字、图片能展示的用、描述不清的用公式、公式还不清楚的写个简单代码,一步步理清各个环节和概念。
再到成熟代码应用、模型调参、模型比较、模型评估,学习整个机器学习需要用到的知识和技能。
- 一图感受各种机器学习算法
- 机器学习算法 - 随机森林之决策树初探(1)
- 机器学习算法-随机森林之决策树R 代码从头暴力实现(2)
- 机器学习算法-随机森林之决策树R 代码从头暴力实现(3)
- 机器学习算法-随机森林之理论概述
- 机器学习算法-随机森林初探(1)
- 机器学习 - 随机森林手动10 折交叉验证
- 机器学习 模型评估指标 - ROC曲线和AUC值
- 机器学习 - 训练集、验证集、测试集
- 一个函数统一238个机器学习R包,这也太赞了吧
- 基于Caret和RandomForest包进行随机森林分析的一般步骤 (1)
- Caret模型训练和调参更多参数解读(2)
- 基于Caret进行随机森林随机调参的4种方式
- 机器学习第17篇 - 特征变量筛选(1)
- 机器学习第18篇 - Boruta特征变量筛选(2)
- 机器学习第19篇 - 机器学习系列补充:数据集准备和更正YSX包
- 机器学习第20篇 - 基于Boruta选择的特征变量构建随机森林
- 机器学习第21篇 - 特征递归消除RFE算法 理论
- 机器学习第22篇 - RFE筛选出的特征变量竟然是Boruta的4倍之多
- 机器学习第23篇 - 更多特征变量却未能带来随机森林分类效果的提升
- 机器学习相关书籍分享
- UCI机器学习数据集
- 送你一个在线机器学习网站,真香!
- 多套用于机器学习的多种癌症表达数据集
- 这个统一了238个机器学习模型R包的参考手册推荐给你
- 莫烦Python机器学习
- 机器学习与人工智能、深度学习有什么关系?终于有人讲明白了
- 一套完整的基于随机森林的机器学习流程(特征选择、交叉验证、模型评估))
- 随机森林预测发现这几个指标对公众号文章吸粉最重要
- 样本分布不平衡,机器学习准确率高又有什么用?
- 值得思考,机器学习模型做出的决策是你想要的吗?
- 33万字!深度学习笔记在线版发布!
- ROC和AUC也不是评估机器学习性能的金标准