深度学习和图模型
Deep Learning-complex structure
Syntagmatic 关系发现：互信息
Syntagmatic 关系发现：条件熵
Syntagmatic 关系发现：熵
Paradigmatic 关系发现
词关联挖掘和分析
为使用Scikit-learn搭建环境(window/Mac)
【机器学习实验】scikit-learn的主要模块和基本使用
【machine learning】- 决策树(DTs)之Python实现 by Scikit-Learn
【scikit-learn】学习Python来分类现实世界的数据
【scikit-learn】用Python进行机器学习实验
开源图计算框架GraphLab介绍
【Machine Learning】从零开始，了解无监督学习的方法
【Machine Learning】从零开始，了解监督学习的方法
【机器学习基础】支持向量回归
【机器学习基础】核逻辑回归
【机器学习基础】软间隔支持向量机
【机器学习基础】核支持向量机
【机器学习基础】对偶支持向量机
【机器学习基础】线性可分支持向量机
【机器学习基础】理解为什么机器可以学习3——VC理论
【机器学习基础】理解为什么机器可以学习2——Hoeffding不等式
【机器学习基础】理解为什么机器可以学习1——PAC学习模型
【机器学习基础】从感知机模型说起
【机器学习基础】验证
【机器学习基础】正则化
【机器学习基础】过拟合
【机器学习基础】非线性变换
【机器学习基础】机器学习-QDA&LDA
【机器学习基础】Machine Learning-PCA(Principal Component Analysis)
【机器学习基础】Machine Learning-bias & variance
【机器学习基础】将回归模型用于分类问题
【机器学习基础】Logistic回归基础
【机器学习基础】A brief introduction to feature selection
【机器学习基础】Hinge loss
【机器学习基础】VC维与模型复杂度、样本复杂度
【机器学习基础】机器学习算法的分类——关于如何选择机器学习算法和适用解决的问题
【机器学习基础】生成模型和判别模型
【机器学习基础】机器学习基础引入
【机器学习基础】svm简介
【机器学习基础】【Kernel Method】Kernel Method核方法介绍
【机器学习基础】数据挖掘学习笔记(1): SVM
循序渐进理解LDA主题模型1：整体把握LDA
LDA话题模型与推荐系统
【Kaggle】用随机森林分类算法解决Biologial Response问题
【机器学习实验】概率编程及贝叶斯方法
【机器学习实验】使用朴素贝叶斯进行文本的分类
简单粗暴的贝叶斯分类
机器学习-Bayesian概念学习
Chapter 1 贝叶斯推断的思想
【Similarity Search】Multi-Probe LSH——构建高维相似性搜索的高效索引
Elasticsearch中more_like_this query的应用
【机器学习中的数学】多项式分布及其共轭分布
【机器学习中的数学】魔鬼的游戏：认识Beta/Dirichlet分布
【机器学习中的数学】比例混合分布
【机器学习中的数学】数学基础-高斯模型
【机器学习中的数学】数学基础-条件期望
【机器学习中的数学】广义逆高斯分布及其特例
【机器学习中的数学】从西格玛代数、测度空间到随机变量
【机器学习中的数学】数学基础-均值估计
【机器学习中的数学】贝叶斯框架下二元离散随机变量的概率分布
【机器学习中的数学】贝叶斯概念学习
上证指数的概率分布函数的研究与计算
【机器学习中的数学】Chapter 3 MCMC
第三章:Data Pre-processing
第四章：Overfitting and Model tunning
第六章:线性回归系列
【计算机视觉】基于Kalman滤波器的进行物体的跟踪
【计算机视觉】借助图像直方图来检测特定物(MeanShift、CamShift算法)
【计算机视觉】OpenCV中直方图处理函数简述
