1. 监督学习

• 1.1. 广义线性模型
  • 1.1.1. 普通最小二乘法
  • 1.1.2. 岭回归
  • 1.1.3. Lasso
  • 1.1.4. 多任务 Lasso
  • 1.1.5. 弹性网络
  • 1.1.6. 多任务弹性网络
  • 1.1.7. 最小角回归
  • 1.1.8. LARS Lasso
  • 1.1.9. 正交匹配追踪法（OMP）
  • 1.1.10. 贝叶斯回归
  • 1.1.11. logistic 回归
  • 1.1.12. 随机梯度下降， SGD
  • 1.1.13. Perceptron（感知器）
  • 1.1.14. Passive Aggressive Algorithms（被动攻击算法）
  • 1.1.15. 稳健回归（Robustness regression）: 处理离群点（outliers）和模型错误
  • 1.1.16. 多项式回归：用基函数展开线性模型
• 1.2. 线性和二次判别分析
  • 1.2.1. 使用线性判别分析来降维
  • 1.2.2. LDA 和 QDA 分类器的数学公式
  • 1.2.3. LDA 的降维数学公式
  • 1.2.4. Shrinkage（收缩）
  • 1.2.5. 预估算法
• 1.3. 内核岭回归
• 1.4. 支持向量机
  • 1.4.1. 分类
  • 1.4.2. 回归
  • 1.4.3. 密度估计, 异常（novelty）检测
  • 1.4.4. 复杂度
  • 1.4.5. 使用诀窍
  • 1.4.6. 核函数
  • 1.4.7. 数学公式
  • 1.4.8. 实现细节
• 1.5. 随机梯度下降
  • 1.5.1. 分类
  • 1.5.2. 回归
  • 1.5.3. 稀疏数据的随机梯度下降
  • 1.5.4. 复杂度
  • 1.5.5. 停止判据
  • 1.5.6. 实用小贴士
  • 1.5.7. 数学描述
  • 1.5.8. 实现细节
• 1.6. 最近邻
  • 1.6.1. 无监督最近邻
  • 1.6.2. 最近邻分类
  • 1.6.3. 最近邻回归
  • 1.6.4. 最近邻算法
  • 1.6.5. 最近质心分类
  • 1.6.6. 邻域成分分析
• 1.7. 高斯过程
  • 1.7.1. 高斯过程回归（GPR）
  • 1.7.2. GPR 示例
  • 1.7.3. 高斯过程分类（GPC）
  • 1.7.4. GPC 示例
  • 1.7.5. 高斯过程内核
• 1.8. 交叉分解
• 1.9. 朴素贝叶斯
  • 1.9.1. 高斯朴素贝叶斯
  • 1.9.2. 多项分布朴素贝叶斯
  • 1.9.3. 补充朴素贝叶斯
  • 1.9.4. 伯努利朴素贝叶斯
  • 1.9.5. 基于外存的朴素贝叶斯模型拟合
• 1.10. 决策树
  • 1.10.1. 分类
  • 1.10.2. 回归
  • 1.10.3. 多值输出问题
  • 1.10.4. 复杂度分析
  • 1.10.5. 实际使用技巧
  • 1.10.6. 决策树算法: ID3, C4.5, C5.0 和 CART
  • 1.10.7. 数学表达
• 1.11. 集成方法
  • 1.11.1. Bagging meta-estimator（Bagging 元估计器）
  • 1.11.2. 由随机树组成的森林
  • 1.11.3. AdaBoost
  • 1.11.4. Gradient Tree Boosting（梯度树提升）
  • 1.11.5. Voting Classifier（投票分类器）
  • 1.11.6. 投票回归器(Voting Regressor)
• 1.12. 多类和多标签算法
  • 1.12.1. 多标签分类格式
  • 1.12.2. 1 对其余
  • 1.12.3. 1 对 1
  • 1.12.4. 误差校正输出代码
  • 1.12.5. 多输出回归
  • 1.12.6. 多输出分类
  • 1.12.7. 链式分类器
• 1.13. 特征选择
  • 1.13.1. 移除低方差特征
  • 1.13.2. 单变量特征选择
  • 1.13.3. 递归式特征消除
  • 1.13.4. 使用 SelectFromModel 选取特征
  • 1.13.5. 特征选取作为 pipeline（管道）的一部分
• 1.14. 半监督学习
  • 1.14.1. 标签传播
• 1.15. 等式回归
• 1.16. 概率校准
• 1.17. 神经网络模型（有监督）
  • 1.17.1. 多层感知器
  • 1.17.2. 分类
  • 1.17.3. 回归
  • 1.17.4. 正则化
  • 1.17.5. 算法
  • 1.17.6. 复杂度
  • 1.17.7. 数学公式
  • 1.17.8. 实用技巧
  • 1.17.9. 使用 warm_start 的更多控制