《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)

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

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：

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。

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

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。 ✉️ yidazhang1@gmail.com

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！

NextK最近邻(k-Nearest Neighbor，KNN)分类算法Python实现

Last updated

Was this helpful?