[置顶] 文章索引::”机器学习方法“，"深度学习方法"，“三十分钟理解”原创系列

转载请注明，本文出自Bin的专栏http://blog.csdn.net/xbinworld，谢谢！

————————————————————————————————————————————

目前我已经整理了的系列原创文章（利用工作之余的时间写的，比较慢，请见谅），未完待续。

声明：本博客所有内容都为工作业余时间的学习笔记，且都为公开资料或书本知识，与具体工作内容无关。

1. 机器学习方法：回归（一）：线性回归linear regression
2. 机器学习方法：回归（二）：回归、稀疏与正则约束ridge regression，Lasso
3. 机器学习方法：回归（三）：最小角回归Least Angle Regression，forward stagewise selection
   
4. 机器学习方法（四）：决策树decision tree原理与实现trick
5. 机器学习方法（五）：逻辑回归Logistic Regression，Softmax Regression
6. 机器学习方法（六）：随机森林Random Forest，bagging
   
7. 机器学习方法（七）：Kmeans聚类K值如何选，以及数据重抽样方法Bootstrapping
   
8. 机器学习方法(八)：随机采样方法整理（MCMC、Gibbs Sampling等）
   

1. 深度学习方法：受限玻尔兹曼机RBM（一），（二），（三），（四）
   
2. 深度学习方法：卷积神经网络CNN（五）经典模型整理Lenet，Alexnet，Googlenet，VGG，Deep Residual Learning
3. 深度学习方法（六）：神经网络weight参数怎么初始化
   

4. 深度学习方法（七）：SqueezeNet 模型详解，CNN模型参数降低50倍，压缩461倍！

   
   

5. 深度学习方法（八）：Encoder-Decoder模型，基本Sequence to Sequence模型
   

6. 深度学习方法（九）：自然语言处理中的Attention Model注意力模型
   
7.  

   深度学习方法（十）：卷积神经网络结构变化——Maxout Networks，Network In Network，Global Average Pooling

   
   

8. 深度学习方法（十一）：卷积神经网络结构变化——Google Inception V1-V4，Xception（depthwise convolution）
   

9. 深度学习方法（十二）：卷积神经网络结构变化——Spatial Transformer Networks

10. 深度学习方法（十三）：卷积神经网络结构变化——可变形卷积网络deformable convolutional networks
    

三十分钟理解系列：

1. 三十分钟理解博弈论“纳什均衡” -- Nash Equilibrium
   
2. 《微微一笑很倾城》中肖奈大神说的平方根倒数速算法是什么鬼？三十分钟理解！
   
3. 三十分钟理解计算图上的微积分：Backpropagation，反向微分
   

4. [重磅]Deep Forest，非神经网络的深度模型，周志华老师最新之作，三十分钟理解！

5. 三十分钟理解：线性插值，双线性插值Bilinear Interpolation算法

6. 三十分钟理解：双调排序Bitonic Sort，适合并行计算的排序算法
   

分布式机器学习系列：

1. 分布式机器学习系统笔记（一）——模型并行，数据并行，参数平均，ASGD

1. 自组织神经网络介绍：自组织特征映射SOM(Self-organizing feature Map)，第一部分
2. 自组织神经网络介绍：自组织特征映射SOM(Self-organizing feature Map)，第二部分
   
3. 自组织神经网络介绍：自组织特征映射SOM(Self-organizing feature Map)，第三部分
   

————————————————————————————————————————————

目前想到的有这些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（基本写过了，需要修改前面的blog） 
SVM ，KKT
Decision Tree: ID3、C4.5 
Apriori，FP 

SOM

优化方法：BFGS method，SGD，Conjugate gradient，Coordinate descent等
PageRank
minHash, LSH, Hashing，Product Quantization

Manifold Ranking，EMR

PLSA，LDA

Deep Learning Basics：

MLP/ANN

RBM

CNN

AutoEncoder，DAE，SAE

RNN/LSTM

还有很多其他的

待补充 

————————————————————————————————————————————

“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，目的是让更多的人了解机器学习的概念，理解其原理，学会应用。现在网上各种技术类文章很多，不乏大牛的精辟见解，但也有很多滥竽充数、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。机器学习很难，是因为她有很扎实的理论基础，复杂的公式推导；机器学习也很简单，是因为对她不甚了解的人也可以轻易使用。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参考价值的内容，让更多的人了解机器学习。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，博士期间做的machine learning算法研究，毕业后360度大转行做硬件芯片设计，但是依然可以把自己所学所知的ML算法用于工作中，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、应用感兴趣的同学加入，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。如果人多我就组织一些读书会，线下交流。（现在人还不多，不管做什么方向的大家都可以多多交流，希望有更多的人可以来讨论，重点是对machine learning感兴趣。）本群与任何工作关系无关，纯粹是技术交流，谢谢！