锐客网

  1. 首页 > it技术 > >

ApacheCN 机器学习译文集 20211111 更新

  • 台湾大学林轩田机器学习笔记
    • 机器学习基石
      • 1 -- The Learning Problem
      • 2 -- Learning to Answer Yes/No
      • 3 -- Types of Learning
      • 4 -- Feasibility of Learning
      • 5 -- Training versus Testing
      • 6 -- Theory of Generalization
      • 7 -- The VC Dimension
      • 8 -- Noise and Error
      • 9 -- Linear Regression
      • 10 -- Logistic Regression
      • 11 -- Linear Models for Classification
      • 12 -- Nonlinear Transformation
      • 13 -- Hazard of Overfitting
      • 14 -- Regularization
      • 15 -- Validation
      • 16 -- Three Learning Principles
    • 机器学习技法
      • 1 -- Linear Support Vector Machine
      • 2 -- Dual Support Vector Machine
      • 3 -- Kernel Support Vector Machine
      • 4 -- Soft-Margin Support Vector Machine
      • 5 -- Kernel Logistic Regression
      • 6 -- Support Vector Regression
      • 7 -- Blending and Bagging
      • 8 -- Adaptive Boosting
      • 9 -- Decision Tree
      • 10 -- Random Forest
      • 11 -- Gradient Boosted Decision Tree
      • 12 -- Neural Network
      • 13 -- Deep Learning
      • 14 -- Radial Basis Function Network
      • 15 -- Matrix Factorization
      • 16（完结） -- Finale
  • Sklearn 秘籍
    • 第一章 模型预处理
    • 第二章 处理线性模型
    • 第三章 使用距离向量构建模型
    • 第四章 使用 scikit-learn 对数据分类
    • 第五章 模型后处理
  • Sklearn 学习手册
    • 一、机器学习 - 温和的介绍
    • 二、监督学习
    • 三、无监督学习
    • 四、高级功能
  • SciPyCon 2018 sklearn 教程
    • 一、Python 机器学习简介
    • 二、Python 中的科学计算工具
    • 三、数据表示和可视化
    • 四、训练和测试数据
    • 五、监督学习第一部分：分类
    • 六、监督学习第二部分：回归分析
    • 七、无监督学习第一部分：变换
    • 八、无监督学习第二部分：聚类
    • 九、sklearn 估计器接口回顾
    • 十、案例学习：泰坦尼克幸存者
    • 十一、文本特征提取
    • 十二、案例学习：用于 SMS 垃圾检测的文本分类
    • 十三、交叉验证和得分方法
    • 十四、参数选择、验证和测试
    • 十五、估计器流水线
    • 十六、模型评估、得分指标和处理不平衡类别
    • 十七、深入：线性模型
    • 十八、深入：决策树与森林
    • 十九、自动特征选择
    • 二十、无监督学习：层次和基于密度的聚类算法
    • 二十一、无监督学习：非线性降维
    • 二十二、无监督学习：异常检测
    • 二十三、核外学习 - 用于语义分析的大规模文本分类
  • Python 机器学习在线指南
    • 作者
    • 引言
    • 【ApacheCN 机器学习译文集 20211111 更新】核心概念
      • 交叉验证
      • 线性回归
      • 过拟合和欠拟合
      • 正则化
    • 监督学习
      • 逻辑回归
      • 朴素贝叶斯分类
      • 决策树
      • k 最近邻
      • 线性支持向量机
    • 无监督学习
      • 聚类
      • 主成分分析
    • 深度学习
      • 多层感知机
      • 卷积神经网络
      • 自编码器
    • 原文的协议
  • 写给人类的机器学习
    • 一、为什么机器学习重要
    • 2.1 监督学习
    • 2.2 监督学习 II
    • 2.3 监督学习 III
    • 三、无监督学习
    • 四、神经网络和深度学习
    • 五、强化学习
    • 六、最好的机器学习资源
  • 机器学习超级复习笔记
  • 机器学习算法交易
    • 零、前言
    • 一、用于交易的机器学习——从理念到实践
    • 二、市场和基础数据——来源和技术
    • 三、金融备选数据——类别和用例
    • 四、金融特征工程——如何研究阿尔法因子
    • 五、投资组合优化与表现评估
    • 六、机器学习过程
    • 七、线性模型——从风险因子到回报预测
    • 八、ML4T 工作流程——从模型到策略回溯测试
    • 九、波动率预测和统计套利的时间序列模型
    • 十、贝叶斯 ML——动态夏普比率和配对交易
    • 十一、随机森林——日本股票的长短策略
    • 十二、提升你的交易策略
    • 十三、基于无监督学习的数据驱动风险因子与资产配置
    • 十四、用于交易的文本数据——情感分析
    • 十五、主题建模——总结财经新闻
    • 十六、盈利报告和 SEC 文件的文字嵌入
    • 十七、用于交易的深度学习
    • 十八、金融时间序列和卫星图像的 CNN
    • 十九、用于多元时间序列和情感分析的 RNN
    • 二十、用于条件风险因子和资产定价的自编码器
    • 二十一、合成时间序列数据的生成对抗网络
    • 二十二、深度强化学习——建立交易智能体
    • 二十三、结论和下一步
    • 二十四、α 因子库
    • 二十五、参考文献
下载 Docker
docker pull apachecn0/apachecn-ml-zh docker run -tid -p :80 apachecn0/apachecn-ml-zh # 访问 http://localhost:{port}

PYPI
pip install apachecn-ml-zh apachecn-ml-zh # 访问 http://localhost:{port}

NPM
npm install -g apachecn-ml-zh apachecn-ml-zh # 访问 http://localhost:{port}

贡献指南 本项目需要校对，欢迎大家提交 Pull Request。
请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）
组织介绍 访问我们的主页。
赞助我们 通过平台自带的打赏功能，或点击这里。

    推荐阅读


    上一篇：ApacheCN 计算机视觉译文集 20211110 更新

    下一篇：『与善仁』Appium基础|『与善仁』Appium基础 — 8、Appium自动化测试框架介绍