“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，目的是让很多其它的人了解机器学习的概念，理解其原理，学会应用。如今网上各种技术类文章非常多，不乏大牛的精辟见解，但也有非常多滥竽充数、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。机器学习非常难，是由于她有非常扎实的理论基础，复杂的公式推导；机器学习也非常easy，是由于对她不甚了解的人也能够轻易使用。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參考价值的内容，让很多其它的人了解机器学习。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年博士毕业于浙大计算机系，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、应用感兴趣的同学增加，在交流中拉通——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。假设人多我就组织一些读书会，线下交流。（如今人不多，无论做什么方向的大家都能够多多交流，希望有很多其它的人能够来讨论。）
————————————————————————————————————————————
眼下已经整理了的系列文章：
- 机器学习方法：回归（一）：线性回归linear regression
- 机器学习方法：回归（二）：回归、稀疏与正则约束ridge regression，Lasso
- 机器学习方法：回归（三）：最小角回归Least Angle Regression，forward stagewise
selection
- 机器学习方法（四）：决策树decision tree原理与实现trick
- 机器学习方法（五）：逻辑回归Logistic Regression，Softmax Regression
————————————————————————————————————————————
眼下想到的有这些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（改动前面的blog）
SVM
Decision Tree: ID3、C4.5
Apriori，FP
优化方法：BFGS method，SGD，Conjugate gradient，Coordinate
descent等
PageRank
minHash, LSH, Hashing
Manifold Ranking，EMR（这种方法是我博士期间论文发表的）
PLSA，LDA
Deep Learning Basics：
MLP
RBM
CNN
AutoEncoder，DAE，SAE
RNN
还有非常多其它的
待补充