Python——基于最小二乘法和最大似然法的回归分析方程中系数的估计

K-MEANS聚类之图像分割Python实现

神经网络方法——美国波士顿房价(回归问题)

深度学习模型学到的表示很难用人类可以理解的方式来提取和呈现。本文基于猫狗分类任务对所训练的模型进行可视化，对模型中特征图以及滤波器进行可视化，深化卷积神经网络特征提取的理解。.........

数据（图像）增强详介绍——Python实现，超级超级好看！！！！

集成学习：让机器学习效果更好，单个不行，群殴走起。

机器学习——优化超参数（交叉验证）基本思想是把将要调节的参数进行区间设置，然后进行组合训练，在ShuffleSplit的作用是将训练数据进行分组,一部分做为训练集,另一部分做为验证集 ,首先用训练集对分类器进行训练,再利用验证集来测试达到一组测试训练得到，各组最后取平均值作为最后的结果，最终都训练完得到模型。

线性回归是回归问题，此方法对训练数据类型没有要求，可以是离散特征，也可以是连续特征；此方法会出现过拟合问题，在处理过拟合手段就是降低模型难度，减少特征个数，或者采用正则化方法，就是在损失函数后面加上正则项（l1、l2正则项）。此方法也会出现欠拟合问题。处理手工增加新的特征变量，也可以增加多项式特征，使模型更加complex,实现非线性回归。

密集连接网络和卷积神经网络都有主要的特点，那就是它们没有记忆。它们单独处理每个输入，在输入和输入之间没有保存任何状态。举个例子：当你在阅读一个句子的时候，你需要记住之前的内容，我们才能动态的了解这个句子想表达的含义。生物智能已渐进的方式处理信息，同时保存一个关于所处理内容的内部模型，此模型是根据过去额信息构建的，并随着新的信息进入不断更新。比如股票预测、气温预测等等。

卷积基是一个保存好的网络，之前已在大型数据集（通常是大规模图像分类任务）上训练好。通过预训练网络学到的特征在不同问题之间的可移植性，在深度学习对小数据问题非常有效。使用预训练网络有两种方法：特征提取（feature extraction）和微调模型（fine-tuning）。......