1. 监督学习

• 1.1 广义线性模型
  • 1.1.2 岭回归
  • 1.1.4 多任务 Lasso
  • 1.1.6 多任务弹性网络
  • 1.1.8 LARS Lasso
  • 1.1.10 贝叶斯回归
  • 1.1.12 随机梯度下降， SGD
  • 1.1.14 Passive Aggressive Algorithms（被动攻击算法）
  • 1.1.16 多项式回归：用基函数展开线性模型
• • 1.2.1 使用线性判别分析来降维
  • 1.2.3 LDA 的降维数学公式
  • 1.2.5 预估算法
• 1.4 支持向量机
  • 1.4.2 回归
  • 1.4.4 复杂度
  • 1.4.6 核函数
  • 1.4.8 实现细节
• • 1.5.2 回归
  • 1.5.4 复杂度
  • 1.5.6 实用小贴士
  • 1.5.8 实现细节
• • 1.6.1 无监督最近邻
  • 1.6.3 最近邻回归
  • 1.6.5 最近质心分类
• 1.7 高斯过程
  • 1.7.2 GPR 示例
  • 1.7.4 GPC 示例
• 1.8 交叉分解
• • 1.9.1 高斯朴素贝叶斯
  • 1.9.3 补充朴素贝叶斯
  • 1.9.5 堆外朴素贝叶斯模型拟合
• • 1.10.1 分类
  • 1.10.3 多值输出问题
  • 1.10.5 实际使用技巧
• 1.11 集成方法
  • 1.11.2 由随机树组成的森林
  • 1.11.4 Gradient Tree Boosting（梯度树提升）
  • • 1.11.6. 投票回归器(Voting Regressor)
• • 1.12.1 多标签分类格式
  • 1.12.3 1对1
  • 1.12.5 多输出回归
  • 1.12.7 链式分类器
• • 1.13.1 移除低方差特征
  • 1.13.3 递归式特征消除
  • 1.13.5 特征选取作为 pipeline（管道）的一部分
• • 1.14.1 标签传播
• 1.16 概率校准
• • 1.17.1 多层感知器
  • 1.17.3 回归
  • 1.17.5 算法
  • 1.17.7 数学公式