整理了机器学习相关资料与手册，包括数学基础、机器学习模型实现示例、神经网络。
公网资料、笔记地址请访问这里
其他相关技术可以访问我的博客，主页地址请访问这里
- 访问入口：http://note.grft.top
(返回顶部)
机器学习是人工智能领域的一种方法，它利用算法和统计模型来使计算机系统根据输入数据进行预测或做出决策，而无需使用明确的指令。它主要依赖于模式识别和计算学习理论。
机器学习的核心思想是从数据中学习并对新的数据做出决策或预测。
- 数据收集：收集需要用于训练模型的数据。数据可以是标注的（用于监督学习）或非标注的（用于非监督学习）。
- 数据预处理：清洗数据，去除噪音和异常值，选择合适的特征，并将数据格式化以适应特定算法的要求。
- 选择模型：选择合适的机器学习模型。常见的算法包括决策树、神经网络、支持向量机（SVM）、随机森林等。
- 训练模型：使用训练数据不断调整模型的权重和参数，直到模型能够在训练数据上获得较好的预测性能。
- 评估模型：使用验证集或测试集来评估模型的性能，确保模型能够在之前未见过的数据上获得良好表现。
- 参数调整与优化：如果模型表现不佳，可以通过调整参数或选择不同的算法来优化模型。
- 部署模型：将训练好的模型应用于实际问题中，进行预测或决策。
- 监督学习（Supervised Learning）：数据集是由输入和输出对组成的，模型的任务是学习输入和输出之间的映射，进行预测。
- 无监督学习（Unsupervised Learning）：数据集只包含输入，没有标签输出；模型需要自行找出数据的结构，常见的任务有聚类和密度估计。
- 半监督学习（Semi-Supervised Learning）：结合了监督学习和无监督学习的特性，其中只有一部分数据被标记。
- 增强学习（Reinforcement Learning）：模型需要通过与环境的交互，根据奖励信号来学习最优策略。
(返回顶部)
(返回顶部)
贡献是使开源社区成为一个如此令人惊叹的地方，以学习、激励和创造。您所做的任何贡献都将非常感谢。
如果您对使这个项目变得更好有建议，请 fork 该仓库并创建 pull request。您也可以打开一个带有“enhancement”标签的问题。不要忘记给这个项目点个星！再次感谢！
(返回顶部)
根据 MIT 许可证进行分发。更多信息请参见 LICENSE.txt。
(返回顶部)
关注我: 小昊子
博客地址: http://note.grft.top
项目链接: https://github.com/worst001/note_machine_learning
(返回顶部)
因为仓库与文档的数量比较大，有些借鉴资料忘了在参考文档部分提及原作者与原仓库，若有疏漏请告诉，我及时补上。
所有引用的原资料都确认是开源认证，若有侵权请告知。
https://github.com/lawlite19/MachineLearning_Python
https://github.com/MorvanZhou/tutorials
https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
(返回顶部)