- 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
- 机器学习基石
- 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
- 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
代码语言：javascript复制docker pull apachecn0/apachecn-ml-zh
docker run -tid -p <port>:80 apachecn0/apachecn-ml-zh
# 访问 http://localhost:{port} PYPI
代码语言：javascript复制pip install apachecn-ml-zh
apachecn-ml-zh <port>
# 访问 http://localhost:{port} NPM
代码语言：javascript复制npm install -g apachecn-ml-zh
apachecn-ml-zh <port>
# 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）
