- 有监督学习
- 无监督学习
今天我深入研究了逻辑回归到底是什么，以及它背后的数学是什么。学习了如何计算代价函数，以及如何使用梯度下降法来将代价函数降低到最小。
由于时间关系，我将隔天发布信息图。如果有人在机器学习领域有一定经验，并愿意帮我编写代码文档，也了解github的Markdown语法，请在领英联系我。
为了使我对逻辑回归的见解更加清晰，我在网上搜索了一些资源或文章，然后我就发现了Saishruthi Swaminathan的这篇文章
它给出了逻辑回归的详细描述。请务必看一看。
直观了解SVM是什么以及如何使用它来解决分类问题。
了解更多关于SVM如何工作和实现knn算法的知识。
今天我在线性相关数据上实现了SVM。使用Scikit-Learn库。在scikit-learn中我们有SVC分类器，我们用它来完成这个任务。将在下一次实现时使用kernel-trick。Python代码见此处,Jupyter notebook见此处。
学习不同类型的朴素贝叶斯分类器同时开始Bloomberg的课程。课程列表中的第一个是黑盒机器学习。它给出了预测函数，特征提取，学习算法，性能评估，交叉验证，样本偏差，非平稳性，过度拟合和超参数调整的整体观点。
使用Scikit-Learn库实现了SVM算法以及内核函数，该函数将我们的数据点映射到更高维度以找到最佳超平面。
在1天内完成第1周和第2周内容以及学习课程中的逻辑回归神经网络。
完成课程1。用Python自己实现一个神经网络。
开始Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程1。这基本上是对即将到来的课程的一种介绍。他也介绍了感知算法。
完成改进深度神经网络第1周内容：参数调整，正则化和优化。
观看了一些关于如何使用Beautiful Soup进行网络爬虫的教程，以便收集用于构建模型的数据。
完成Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程2。学习Hoeffding不等式。
Bloomberg ML课程的第3课介绍了一些核心概念，如输入空间，动作空间，结果空间，预测函数，损失函数和假设空间。
发现YouTube一个神奇的频道3Blue1Brown，它有一个播放列表《线性代数的本质》。看完了4个视频，包括了向量，线性组合，跨度，基向量，线性变换和矩阵乘法。
B站播放列表在这里。
继续观看了4个视频，内容包括三维变换、行列式、逆矩阵、列空间、零空间和非方矩阵。
B站播放列表在这里。
继续观看了3个视频，内容包括点积和叉积。
B站播放列表在这里。
观看了剩余的视频12到14，内容包括特征向量和特征值，以及抽象向量空间。
B站播放列表在这里。
完成上一播放列表后，YouTube推荐了新内容《微积分的本质》，今天看完了其中的3个视频，包括导数、链式法则、乘积法则和指数导数。
B站播放列表在这里。
观看了2个视频，内容包括隐分化与极限。
B站播放列表在这里。
观看了剩余的4个视频，内容包括积分与高阶导数。
B站播放列表在这里。
Youtube频道3Blue1Brown中有精彩的视频介绍神经网络。这个视频提供了很好的解释，并使用手写数字数据集演示基本概念。
B站视频在这里。
Youtube频道3Blue1Brown关于神经网络的第2部分，这个视频用有趣的方式解释了梯度下降法。推荐必须观看169.
B站视频在这里。
Youtube频道3Blue1Brown关于神经网络的第3部分，这个视频主要介绍了偏导数和反向传播法。
B站视频在这里。
Youtube频道3Blue1Brown关于神经网络的第3部分，这个视频主要介绍了偏导数和反向传播法。
B站视频在这里。
转到无监督学习，并研究了聚类。可在作者网站查询。发现一个奇妙的动画有助于理解K-均值聚类。
实现（待添加代码）
得到JK VanderPlas写的书《Python数据科学手册（Python Data Science HandBook）》，Jupyter notebooks在这里。
高清中文版pdf
第2章：NumPy介绍，包括数据类型、数组和数组计算。
代码如下：
2 NumPy入门
2.1 理解Python中的数据类型
2.2 NumPy数组基础
2.3 NumPy数组的计算：通用函数
第2章： 聚合, 比较运算符和广播。
代码如下：
2.4 聚合：最小值、最大值和其他值
2.5 数组的计算：广播
2.6 比较、掩码和布尔运算
第2章： 花哨的索引，数组排序，结构化数据。
代码如下：
2.7 花哨的索引
2.8 数组的排序
2.9 结构化数据：NumPy的结构化数组
第3章：Pandas数据处理
包含Pandas对象，数据取值与选择，数值运算方法，处理缺失值，层级索引，合并数据集。
代码如下：
3 Pandas数据处理
3.1 Pandas对象简介
3.2 数据取值与选择
3.3 Pandas数值运算方法
3.4 处理缺失值
3.5 层级索引
3.6 合并数据集：ConCat和Append方法
第3章：完成剩余内容-合并与连接，累计与分组，数据透视表。
代码如下：
3.7 合并数据集：合并与连接
3.8 累计与分组
3.9 数据透视表
第3章：向量化字符串操作，处理时间序列。
代码如下：
3.10 向量化字符串操作
3.11 处理时间序列
3.12 高性能Pandas：eval()与query()
第4章：Matplotlib数据可视化
学习简易线形图, 简易散点图，密度图与等高线图.
代码如下：
4 Matplotlib数据可视化
4.1 简易线形图
4.2 简易散点图
4.3 可视化异常处理
4.4 密度图与等高线图
第4章：Matplotlib数据可视化
学习直方图，配置图例，配置颜色条，多子图。
代码如下：
4.5 直方图
4.6 配置图例
4.7 配置颜色条
4.8 多子图
4.9 文字与注释
第4章：Matplotlib数据可视化
学习三维绘图。
4.12 画三维图
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent
