算法channel使用指南（V2.0）

01

引言

欢迎关注 算法channel ！

交流思想，分享知识，找到迈入机器学习大门的系统学习方法，并在这条道路上不断攀登，这是小编创办本公众号的初衷。

本公众号会系统地推送基础算法及机器学习/深度学习相关的全栈内容，包括但不限于：经典算法，LeetCode题目分析，机器学习数据预处理，算法原理，例子解析，部分重要算法的不调包源码实现（现已整理到Github上），并且带有实战分析，包括使用开源库和框架：Python， Numpy，Pandas，Matplotlib，Sklearn，Tensorflow等工具辅助我们解决问题...

下面梳理下已经推送的文章，帮助想入门人工智能的小伙伴更好地使用本公众号，限于小编的知识水平，难免对某些算法的理解有偏差，希望各位小伙伴不吝赐教，谢谢大家的指导！

02

基本算法

重温那些经典的计算机算法思想，为之后构建知识大厦打下坚实的基础。

2.1 常用排序算法

冒泡排序，快速排序，实例演示

直接选择排序，堆排序，实例演示

直接插入排序，希尔排序，实例演示

归并排序，实例演示

基数排序，实例演示

常用排序算法代码兑现

2.2 深度搜索

二叉树非递归版，前序遍历算法解析

二叉树非递归版，中序遍历算法解析

二叉树非递归版，后序遍历算法解析

Leetcode|二叉树非递归版（python）后序遍历

回溯树求集合全排列和所有子集

Leetcode|Find K Closest Elements

2.3 动态规划

LeetCode实战：动态规划算法是怎么一回事

动态规划前篇：括号知多少

动态规划中篇：爬楼梯

动态规划后篇：考量适用指标

LeetCode实战：子问题分析

2.4 链表

面试必备|单链表反转思路图形解析

2.5 树模型

基本算法|图解各种树（一）

基本算法|图解各种树（二）

2.6 图算法

图算法|Dijkstra最短路径算法

图算法|Dijkstra算法python实现

图算法|Prim算法求最小生成树

03

机器学习储备

机器学习是一门交叉学科，通常要具备高等数学，计算理论，线性代数，概率论与数理统计，Python语言，以及常用的开源库（三大库：numpy,pandas,matplotlib），sklean库，tensorflow深度学习框架等，下面列出已经推送的相关文章：

机器学习：不得不知的概念（1）

机器学习：不得不知的概念（2）

机器学习：不得不知的概念（3）

机器学习储备（1）：概率，期望，方差，标准差，协方差和相关系数

机器学习储备（2）：高斯分布

机器学习储备（3）：似然函数例子解析

机器学习储备（4）：最常用的求导公式

机器学习储备（5）：Python和Numpy入门

机器学习储备（7）：numpy一维数组和矩阵

机器学习储备（8）：numpy之linspace 和 logspace

机器学习储备（9）：matplotlib绘图原理及实例

机器学习储备（10）：numpy之RandomState() 和 axis

机器学习储备（11）：说说离散型随机变量

机器学习储备（12）：二项分布的例子解析

机器学习储备（13）：概率密度和高斯分布例子解析

04

数据预处理

机器学习数据预处理：数据降维之PCA

数据预处理：PCA原理推导

矩阵特征值的求解例子

数据降维处理：PCA之特征值分解法例子解析

数据降维处理：PCA之奇异值分解（SVD）介绍

数据降维：特征值分解和奇异值分解的实战分析

机器学习|TF-IDF提取文本特征词

05

回归算法

回归分析简介

最小二乘法：背后的假设和原理（前篇）

最小二乘法原理（后）：梯度下降求权重参数

机器学习之线性回归：算法兑现为python代码

机器学习之线性回归：OLS 无偏估计及相关性python分析

机器学习线性回归：谈谈多重共线性问题及相关算法

机器学习：说说L1和L2正则化

决策树回归：不调包源码实现

06

分类算法

6.1 有监督类（分类）

6.1.1 逻辑回归

机器学习逻辑回归：原理解析及代码实现

机器学习逻辑回归：算法兑现为python代码

6.1.2 决策树

机器学习：谈谈决策树

机器学习：对决策树剪枝

机器学习决策树：sklearn分类和回归

机器学习决策树：提炼出分类器算法

6.1.3 贝叶斯分类

机器学习：说说贝叶斯分类

朴素贝叶斯分类器：例子解释

朴素贝叶斯分类：拉普拉斯修正

机器学习：单词拼写纠正器python实现

机器学习：半朴素贝叶斯分类器

6.1.4 SVM

机器学习|支持向量机参数求解

机器学习|支持向量机之软间隔和核函数

6.2 无监督类（聚类）

6.2.1 高斯混合

机器学习期望最大算法：实例解析

机器学习高斯混合模型（前篇）：聚类原理分析

机器学习高斯混合模型（中篇）：聚类求解

机器学习高斯混合模型（后篇）：GMM求解完整代码实现

高斯混合模型：不调包实现多维数据聚类分析

6.2.2 KMeans

机器学习|K-Means算法

6.2.3 DBSCAN

机器学习|聚类算法之DBSCAN

6.3 python代码算法实战

线性回归：算法兑现为python代码

逻辑回归：算法兑现为python代码

朴素贝叶斯分类：单词拼写纠正器python实现

高斯混合模型：GMM求解完整代码实现

07

集成算法

机器学习|Adaboost算法

机器学习：提升树（boosting tree）算法的思想

机器学习集成算法：XGBoost思想

机器学习集成算法：XGBoost模型构造

机器学习：XGBoost 安装及实战应用

08

推荐算法

数据挖掘|关联规则Apriori算法

机器学习|PageRank算法原理

机器学习|海量数据求top K 之最小堆实现

机器学习|快速排序思想求topk

09

Kaggle

案例实战|泰坦尼克号船员获救预测（数据预处理部分）

案例实战|泰坦尼克号船员获救预测（算法求解）

案例实战|泰坦尼克号船员获救预测（XGBoost提交结果）

机器学习|kaggle数据挖掘和求解的基本步骤

10

深度学习

为什么要有深度学习？系统学习清单

深度学习|神经网络模型简介和梯度下降求解

深度学习|神经网络模型实现手写字分类求解思路

深度学习|反向传播算法（BP）原理推导及代码实现

深度学习|神经网络模型求解思路总结

深度学习|对隐含层的感性认识

深度学习|卷积神经网络（CNN）介绍（前篇）

深度学习|卷积神经网络（CNN）介绍（后篇）

深度学习|理解LSTM网络（前篇）

深度学习|循环神经网络之LSTM（后篇）

深度学习|自然语言处理之词To词向量

自然语言处理|语言模型介绍

11

工程领域

HDFS|Shell操作命令

HDFS|基本概念和读写原理

Hadoop|计算框架从MapReduce1.0到Yarn

Spark|Ubuntu环境搭建

Spark|有向无环图（DAG）检测

TensorFlow笔记|为什么会有它？

TensorFlow笔记|Get Started

Tensorflow笔记|tensorflow做线性回归

12

其他

设计模式|结构图汇总

基础|进程和线程模型

Ubuntu|GDB调试常用命令

git|常用命令总结

机器学习|牛顿迭代求零点

机器学习|二分法迭代求零点

机器学习|文章关联的代码整理