统计机器学习模型

目录

• 11 _ 基础线性回归：一元与多元
• 12 _ 正则化处理：收缩方法与边际化
• 13 _ 线性降维：主成分的使用
• 14 _ 非线性降维：流形学习
• 15 _ 从回归到分类：联系函数与降维
• 16 _ 建模非正态分布：广义线性模型
• 17 _ 几何角度看分类：支持向量机
• 18 _ 从全局到局部：核技巧
• 19 _ 非参数化的局部模型：K近邻
• 20 _ 基于距离的学习：聚类与度量学习
• 21 _ 基函数扩展：属性的非线性化
• 22 _ 自适应的基函数：神经网络
• 23 _ 层次化的神经网络：深度学习
• 24 _ 深度编解码：表示学习
• 25 _ 基于特征的区域划分：树模型
• 26 _ 集成化处理：Boosting与Bagging
• 27 _ 万能模型：梯度提升与随机森林
• 总结课 _ 机器学习的模型体系