1. 監督式學習

• 1.1. 線性模型
  • 1.1.1. 普通最小平方法
  • 1.1.2. 嶺迴歸和分類
  • 1.1.3. Lasso
  • 1.1.4. 多任務 Lasso
  • 1.1.5. Elastic-Net
  • 1.1.6. 多任務 Elastic-Net
  • 1.1.7. 最小角度迴歸
  • 1.1.8. LARS Lasso
  • 1.1.9. 正交匹配追蹤 (OMP)
  • 1.1.10. 貝氏迴歸
  • 1.1.11. Logistic 迴歸
  • 1.1.12. 廣義線性模型
  • 1.1.13. 隨機梯度下降 - SGD
  • 1.1.14. 感知器
  • 1.1.15. 被動攻擊演算法
  • 1.1.16. 穩健迴歸：離群值和建模錯誤
  • 1.1.17. 分位數迴歸
  • 1.1.18. 多項式迴歸：使用基底函數擴展線性模型
• 1.2. 線性和二次判別分析
  • 1.2.1. 使用線性判別分析進行降維
  • 1.2.2. LDA 和 QDA 分類器的數學公式
  • 1.2.3. LDA 降維的數學公式
  • 1.2.4. 收縮和共變異數估計器
  • 1.2.5. 估計演算法
• 1.3. 核嶺迴歸
• 1.4. 支持向量機
  • 1.4.1. 分類
  • 1.4.2. 迴歸
  • 1.4.3. 密度估計、新穎性偵測
  • 1.4.4. 複雜性
  • 1.4.5. 實用技巧
  • 1.4.6. 核函數
  • 1.4.7. 數學公式
  • 1.4.8. 實作細節
• 1.5. 隨機梯度下降
  • 1.5.1. 分類
  • 1.5.2. 迴歸
  • 1.5.3. 線上單類別 SVM
  • 1.5.4. 稀疏資料的隨機梯度下降
  • 1.5.5. 複雜性
  • 1.5.6. 停止條件
  • 1.5.7. 實用技巧
  • 1.5.8. 數學公式
  • 1.5.9. 實作細節
• 1.6. 最近鄰
  • 1.6.1. 無監督最近鄰
  • 1.6.2. 最近鄰分類
  • 1.6.3. 最近鄰迴歸
  • 1.6.4. 最近鄰演算法
  • 1.6.5. 最近質心分類器
  • 1.6.6. 最近鄰轉換器
  • 1.6.7. 鄰域成分分析
• 1.7. 高斯過程
  • 1.7.1. 高斯過程迴歸 (GPR)
  • 1.7.2. 高斯過程分類 (GPC)
  • 1.7.3. GPC 範例
  • 1.7.4. 高斯過程的核函數
• 1.8. 交叉分解
  • 1.8.1. PLSCanonical
  • 1.8.2. PLSSVD
  • 1.8.3. PLSRegression
  • 1.8.4. 典型相關分析
• 1.9. 樸素貝葉斯
  • 1.9.1. 高斯樸素貝葉斯
  • 1.9.2. 多項式樸素貝葉斯
  • 1.9.3. 互補樸素貝葉斯
  • 1.9.4. 伯努利樸素貝葉斯
  • 1.9.5. 類別樸素貝葉斯
  • 1.9.6. 核外樸素貝葉斯模型擬合
• 1.10. 決策樹
  • 1.10.1. 分類
  • 1.10.2. 迴歸
  • 1.10.3. 多輸出問題
  • 1.10.4. 複雜性
  • 1.10.5. 實用技巧
  • 1.10.6. 樹狀演算法：ID3、C4.5、C5.0 和 CART
  • 1.10.7. 數學公式
  • 1.10.8. 遺失值支援
  • 1.10.9. 最小成本複雜度剪枝
• 1.11. 集成方法：梯度提升、隨機森林、裝袋法、投票法、堆疊法
  • 1.11.1. 梯度提升樹
  • 1.11.2. 隨機森林和其他隨機化樹集成
  • 1.11.3. 裝袋元估計器
  • 1.11.4. 投票分類器
  • 1.11.5. 投票迴歸器
  • 1.11.6. 堆疊泛化
  • 1.11.7. AdaBoost
• 1.12. 多類別和多輸出演算法
  • 1.12.1. 多類別分類
  • 1.12.2. 多標籤分類
  • 1.12.3. 多類別多輸出分類
  • 1.12.4. 多輸出迴歸
• 1.13. 特徵選擇
  • 1.13.1. 移除低變異數的特徵
  • 1.13.2. 單變數特徵選擇
  • 1.13.3. 遞迴特徵消除
  • 1.13.4. 使用 SelectFromModel 進行特徵選擇
  • 1.13.5. 循序特徵選擇
  • 1.13.6. 作為管線一部分的特徵選擇
• 1.14. 半監督式學習
  • 1.14.1. 自我訓練
  • 1.14.2. 標籤傳播
• 1.15. 等張迴歸
• 1.16. 概率校準
  • 1.16.1. 校準曲線
  • 1.16.2. 校準分類器
  • 1.16.3. 用法
• 1.17. 神經網路模型（監督式）
  • 1.17.1. 多層感知器
  • 1.17.2. 分類
  • 1.17.3. 迴歸
  • 1.17.4. 正則化
  • 1.17.5. 演算法
  • 1.17.6. 複雜性
  • 1.17.7. 實用技巧
  • 1.17.8. 使用 warm_start 進行更多控制