《机器学习算法分类讲解与Kaggle实战》专栏概述

广理论，重实践！ 本专栏不是算法推导文章！

概述

分类讲解机器学习算法原理，深度解析决策树、贝叶斯算法、逻辑回归、梯度下降、集成学习、k最近邻、支持向量机等，并给出Python实现源程序，同时分享以实战为导向的Kaggle进阶指南，将机器学习应用于Kaggle实际项目中。

本专栏在讲解机器学习算法原理的同时，着重强调在实际项目中的应用。分为理论讲解篇目和项目实践篇目（主要以Kaggle题目为主）。

内容同步到GitHub https://github.com/Charmve/PaperWeeklyAI

文章目录

• 概述

• 理论篇

• • 机器学习算法分类讲解与程序实现

  • • 卷积神经网络(CNN)

    • K最近邻(k-Nearest Neighbor，KNN)

    • 支持向量机SVM

    • 隐马尔可夫模型(Hidden Markov Models,HMM)

    • 集成学习（Gradient Boosting）

    • 逻辑回归（Logistic Regression）

    • 激活函数/损失函数/归一化/SVM/BP/随机森林

  • 深度学习新方法

  • • NLP：注意力机制

    • 图神经网络GNN

• 实践篇

• • Kaggle实战

  • • Kaggle：从入门到入土

    • 项目实战：方法+源码

  • 实战经验

• 总结

理论篇

机器学习算法分类讲解与程序实现

本篇目主要分类讲解逻辑回归，支持向量机，聚类，决策树，贝叶斯等算法，每篇文章最后都会给出每个算法的常规Python实现源代码。考虑到方便读者学习、做笔记和及时回顾，每个算法类别写成一篇文章，篇目较长。但大家可以收藏，之后一个算法可单独复盘回顾。

卷积神经网络(CNN)

• 机器学习算法之——走近卷积神经网络(CNN)
• 机器学习算法之——卷积神经网络(CNN)原理讲解
• 机器学习实战 | 卷积神经网络详解(二)——自己手写一个卷积神经网络

K最近邻(k-Nearest Neighbor，KNN)

• 机器学习算法之——K最近邻(k-Nearest Neighbor，KNN)分类算法原理讲解
• 机器学习算法之——K最近邻(k-Nearest Neighbor，KNN)分类算法Python实现

支持向量机SVM

• 机器学习算法之——支持向量机(Support Vector Machine, SVM）

隐马尔可夫模型(Hidden Markov Models,HMM)

• 机器学习算法之——隐马尔可夫模型(Hidden Markov Models,HMM)原理讲解及Python实现

集成学习（Gradient Boosting）

• 机器学习算法之——集成学习（Gradient Boosting）

逻辑回归（Logistic Regression）

• 机器学习算法之——逻辑回归（Logistic Regression）

激活函数/损失函数/归一化/SVM/BP/随机森林

• 一文弄懂神经网络中的反向传播法——Back Propagation
• 常用激活函数（激励函数）理解与总结
• 损失函数的可视化：浅论模型的参数空间与正则
• CNN 真的需要下采样（上采样）吗?
• 深入探讨：为什么要做特征归一化/标准化？
• 卷积神经网络中十大拍案叫绝的操作
• 你还不了解机器学习中的最优化算法吗？现在我给你总结了
• 哈工大硕士生实现 11 种数据降维算法，代码已开源！
• 机器学习面试150题（2020）：不只是考SVM xgboost 特征工程
• Facebook工程师教你什么是随机森林，就算零基础也可以看懂 | 干货

概念区分： 机器学习、数据科学、人工智能、深度学习和统计学之间的区别！

另外， 神经网络是一个特别的算法分支，所以会单独列出，并结合深度学习领域详细编写。具体篇目如下：

• 「综述」神经网络中不同类型的卷积层
• 机器学习算法之——走近卷积神经网络(CNN)
• 一文弄懂神经网络中的反向传播法——Back Propagation
• 机器学习实战 | 卷积神经网络详解(二)——自己手写一个卷积神经网络
• CNN 真的需要下采样（上采样）吗?
• 卷积神经网络中十大拍案叫绝的操作
• 深入理解计算机视觉中的损失函数
• 当支持向量机遇上神经网络：这项研究揭示了SVM、GAN、Wasserstein距离之间的关系…
• 谷歌用算力爆了一篇论文，解答有关无限宽度网络的一切
• 新型网络：图神经网络GNN
• CVPR 2020：华为GhostNet，超越谷歌MobileNet，已开源

深度学习新方法

在掌握基础的机器学习算法后，我们有必要关注在深度学习领域出现的新方法、新分支，尤其在NLP、计算机视觉领域中的新方法，有些算法可在开领域内发挥较好的效果，这也是我们项目实操的时候，可以考虑的方法，例如：Transformer、GNN等。

• 22张深度学习精炼图笔记总结

NLP：注意力机制

• 深度学习 | 详解Transformer （Attention Is All You Need）
• 深度学习 | Batch Normalization原理与实战
• 深度学习 | 一文解读深度学习中的Normalization模型
• 文本深度表示模型——word2vec&doc2vec词向量模型
• Google BERT 中文应用之《红楼梦》中对话人物提取
• 基于深度模型的Out of Distribution(OOD)检测相关方法介绍
• 7 Papers & Radios | ACL 2020获奖论文；贝叶斯深度学习综述

图神经网络GNN

• 图同构下等变、计算高效，韦灵思团队提出「自然图网络」消息传递方法
• 「过拟合」也能废物利用了：有人用它高清重建3D物体表面，参数减少99%
• 告别RNN，迎来TCN！股市预测任务是时候拥抱新技术了

实践篇

Kaggle实战

Kaggle：从入门到入土

• 独家秘笈：Kaggle竞赛讲义免费领！
• 本科生晋升GM记录： Kaggle比赛进阶技巧分享
• Kaggle入门，看这一篇就够了
• 我要这金牌有何用：Kaggle 竞赛成绩真能「保送」谷歌、FB 吗？
• GitHub标星23k+，从零开始的深度学习实用教程 | PyTorch官方推荐

项目实战：方法+源码

• 机器学习实战 | 卷积神经网络详解(二)——自己手写一个卷积神经网络
• 机器学习实战 | 逻辑回归应用之“Kaggle泰坦尼克之灾”
• Keras实现CNN:手写数字识别准确率99.6%
• GitHub上Star量最高的5个机器学习项目
• CV实战 | 使用OpenCV进行图像全景拼接
• CV实战 | 使用OpenCV实现道路车辆计数
• 聚焦快速机器学习训练算法，UC伯克利尤洋189页博士论文公布
• 如何斩获KDD Cup 2020两冠一季？美团广告团队公开解决方案
• ​Kaggle X光肺炎检测比赛第二名方案解析 | CVPR 2020 Workshop
• 中国力量占领KDD：包揽“大数据领域世界杯”全部冠亚军，北航拿下最佳学生论文奖…

实战经验

• 为什么你的模型效果这么差，深度学习调参有哪些技巧？
• 机器学习论文复现，这五大问题你需要注意
• 机器学习需要的大量数据集从哪里找?

总结

持续更新中，如在实践中遇到什么问题，欢迎交流。公众号内回复“加群”即可进入迈微学习交流群。 ✉️ [e-mail]

更多项目实战正在来袭 -->

在这里插入图片描述

关注公众号迈微AI研习社，跟更多同行者一起学习。最后别忘了，订阅专栏哦！