Hello大家好！今天想给大家分享一本关于机器学习主流算法的教程手册！
真的是把这十几大算法通过理论和实践的方式给讲的非常清楚，我是在刷知乎的时候看到一篇高赞回答强烈推荐的，说是国内能百度到的文档，90%都是从这里翻译，然后互相抄出来的。
梯度下降 (Gradient Descent)
线性回归 (Linear Regression)
逻辑回归 (Logistic Regression)
线性判别分析 (Linear Discriminant Analysis)
分类与回归树 (Classification and Regression Trees)
朴素贝叶斯 (Naive Bayes)
K-最近邻 (K-Nearest Neighbors)
学习向量量化 (Learning Vector Quantization)
支持向量机 (Support Vector Machines)
装袋决策树和随机森林 (Bagged Decision Trees and Random Forest)
提升方法和AdaBoost (Boosting and AdaBoost)
评论区知道这个网站的也都说是神仙网站，非常适合零基础入门。
去这个网站需要科学上网，网站里的文章写的确实不错，但我一眼注意到了这本书由网站作者自己撰写并且力推的机器学习算法书。
这本书需要购买，我已购买，如果你需要拿去学习的话，可以直接长按扫码添加我的助手让她免费及时发送给大家。
屏幕长按该二维码即可添加
它没有像很多机器学习书动不动就是大3 4百页，它只有159页，表述非常精炼又清晰，基本没有什么废话。这本书最大的优点是从带着你从头开始实现机器学习算法的角度来编写的。
以及为了帮助没有太多数学背景的同学理解主流的机器学习算法，作者想出了一种方法，简化数学运算，并且给出清晰的工作示例，说明如何将实数输入方程以及预期的输出数字，那么机器学习算法就更容易理解了。
大家看看目录，作者通过6个导入背景课程，11个清晰的算法描述、12个循序渐进的算法教程来帮你尽快的掌握机器学习算法。
教程1：使用统计方法的简单线性回归 (Simple Linear Regression using Statistics)
教程2：使用梯度下降的简单线性回归 (Simple Linear Regression with Gradient Descent)
教程3：使用梯度下降的逻辑回归 (Logistic Regression with Gradient Descent)
教程4：使用统计方法的线性判别分析 (Linear Discriminant Analysis using Statistics)
教程5：使用基尼系数的分类与回归树 (Classification and Regression Trees with Gini)
教程6：用于分类数据的朴素贝叶斯 (Naive Bayes for Categorical Data)
教程7：用于实值数据的高斯朴素贝叶斯 (Gaussian Naive Bayes for Real-Valued Data)
教程8：用于分类的K-最近邻 (K-Nearest Neighbors for Classification)
教程9：用于分类的学习向量量化 (Learning Vector Quantization for Classification)
教程10：使用梯度下降的支持向量机 (Support Vector Machines with Gradient Descent)
教程11：装袋分类与回归树 (Bagged Classification and Regression Trees)
教程12：用于分类的AdaBoost (AdaBoost for Classification)
以下截图为部分展示：
算法描述是指从宏观角度上理解每种算法的具体内容及其工作原理，算法教程是指带你进入每种机器学习算法的内部，通过实际案例研究来理解它们是如何学习和进行预测的。
真的是一本专注于讲解机器学习算法的好书！
