文章索引::”机器学习方法“，"深度学习方法"原创系列

转载请注明，本文出自Bin的专栏http://blog.csdn.net/xbinworld，谢谢！

————————————————————————————————————————————

目前我已经整理了的系列原创文章（水平有限，请见谅），还有很多，未完待续：

1. 机器学习方法：回归（一）：线性回归linear regression
2. 机器学习方法：回归（二）：回归、稀疏与正则约束ridge regression，Lasso
3. 机器学习方法：回归（三）：最小角回归Least Angle Regression，forward stagewise selection
   
4. 机器学习方法（四）：决策树decision tree原理与实现trick
5. 机器学习方法（五）：逻辑回归Logistic Regression，Softmax Regression
6. 机器学习方法（六）：随机森林Random Forest，bagging
   
7. 机器学习方法（七）：Kmeans聚类K值如何选，以及数据重抽样方法Bootstrapping
   
8. 机器学习方法(八)：随机采样方法整理（MCMC、Gibbs Sampling等）
   

1. 深度学习方法：受限玻尔兹曼机RBM（一），（二），（三），（四）
   
2. 深度学习方法：卷积神经网络CNN（五）经典模型整理Lenet，Alexnet，Googlenet，VGG，Deep Residual Learning
3. 深度学习方法（六）：神经网络weight参数怎么初始化
   

4. 深度学习方法（七）：SqueezeNet 模型详解，CNN模型参数降低50倍，压缩461倍！

    
   

1. 自组织神经网络介绍：自组织特征映射SOM(Self-organizing feature Map)，第一部分
2. 自组织神经网络介绍：自组织特征映射SOM(Self-organizing feature Map)，第二部分
   
3. 自组织神经网络介绍：自组织特征映射SOM(Self-organizing feature Map)，第三部分
   

————————————————————————————————————————————

目前想到的有这些topic，我就抽工作业余时间慢慢复习，慢慢写

content: 
linear regression, Ridge, Lasso 

LARS

Logistic Regression, Softmax 
Kmeans, GMM, EM, Spectral Clustering 

Dimensionality Reduction: PCA、LDA、Laplacian Eigenmap、 LLE、 Isomap（基本写过了，需要修改前面的blog） 
SVM 
Decision Tree: ID3、C4.5 
Apriori，FP 

SOM

优化方法：BFGS method，SGD，Conjugate gradient，Coordinate descent等
PageRank
minHash, LSH, Hashing

Manifold Ranking，EMR

PLSA，LDA

Deep Learning Basics：

MLP/ANN

RBM

CNN

AutoEncoder，DAE，SAE

RNN/LSTM

还有很多其他的

待补充 

————————————————————————————————————————————

“机器学习/深度学习方法“系列，我本着开放与共享（open and share）的精神撰写，目的是让更多的人了解机器学习的概念，理解其原理，学会应用。现在网上各种技术类文章很多，不乏大牛的精辟见解，但也有很多滥竽充数、误导读者的。这个系列对教课书籍和网络资源进行汇总、理解与整理，力求一击中的，通俗易懂。机器学习很难，是因为她有很扎实的理论基础，复杂的公式推导；机器学习也很简单，是因为对她不甚了解的人也可以轻易使用。我希望好好地梳理一些基础方法模型，输出一些真正有长期参考价值的内容，让更多的人了解机器学习。所以对自己的要求有三：（1）不瞎写，有理有据；（2）尽量写的通俗易懂；（3）多看多想，深入浅出。

本人14年博士毕业，希望与志同道合的朋友一起交流，我设立了了一个技术交流QQ群：433250724，欢迎对算法、技术、应用感兴趣的同学加入，在交流中沟通——算法与技术，让理论研究与实际应用深度融合；也希望能有大牛能来，为大家解惑授业，福泽大众。推广开放与共享的精神。如果人多我就组织一些读书会，线下交流。（现在人还不多，不管做什么方向的大家都可以多多交流，希望有更多的人可以来讨论，重点是对machine learning感兴趣。）