1. Обучение с учителем

• 1.1. Линейные модели
  • 1.1.1. Метод наименьших квадратов
  • 1.1.2. Ридж-регрессия и классификация
  • 1.1.3. Лассо
  • 1.1.4. Многозадачный Lasso
  • 1.1.5. Elastic-Net
  • 1.1.6. Многозадачный Elastic-Net
  • 1.1.7. Регрессия наименьшего угла
  • 1.1.8. LARS Lasso
  • 1.1.9. Ортогональное сопоставление преследования (OMP)
  • 1.1.10. Байесовская регрессия
  • 1.1.11. Логистическая регрессия
  • 1.1.12. Обобщенные линейные модели
  • 1.1.13. Стохастический градиентный спуск - SGD
  • 1.1.14. Робастная регрессия: выбросы и ошибки моделирования
  • 1.1.15. Квантильная регрессия
  • 1.1.16. Полиномиальная регрессия: расширение линейных моделей с помощью базисных функций
• 1.2. Линейный и квадратичный дискриминантный анализ
  • 1.2.1. Понижение размерности с использованием линейного дискриминантного анализа
  • 1.2.2. Математическая формулировка классификаторов LDA и QDA
  • 1.2.3. Математическая формулировка снижения размерности LDA
  • 1.2.4. Сжатие и оценщик ковариации
  • 1.2.5. Алгоритмы оценки
• 1.6.7.1. Классификация
• 1.4. Методы опорных векторов
  • 1.4.1. Классификация
  • 1.4.2. Регрессия
  • 1.4.3. Оценка плотности, обнаружение новизны
  • 1.4.4. Сложность
  • 1.4.5. Советы по практическому использованию
  • 1.4.6. Ядерные функции
  • 1.4.7. Математическая формулировка
  • 1.4.8. Детали реализации
• 1.5. Стохастический градиентный спуск
  • 1.5.1. Классификация
  • 1.5.2. Регрессия
  • 1.5.3. Онлайн One-Class SVM
  • 1.5.4. Стохастический градиентный спуск для разреженных данных
  • 1.5.5. Сложность
  • 1.5.6. Критерий остановки
  • 1.5.7. Советы по практическому использованию
  • 1.5.8. Математическая формулировка
  • 1.5.9. Детали реализации
• 1.6. Ближайшие соседи
  • 1.6.1. Необученные ближайшие соседи
  • 1.6.2. Классификация методом ближайших соседей
  • 1.6.3. Регрессия ближайших соседей
  • 1.6.4. Алгоритмы ближайших соседей
  • 1.6.5. Классификатор ближайшего центроида
  • 1.6.6. Преобразователь ближайших соседей
  • 1.6.7. Анализ компонентов соседства
• 1.7. Гауссовские процессы
  • 1.7.1. Гауссовская процессная регрессия (GPR)
  • 1.7.2. Гауссовский процесс классификации (GPC)
  • 1.7.3. Примеры GPC
  • 1.7.4. Ядра для гауссовских процессов
• 1.8. Перекрёстное разложение
  • 1.8.1. PLSCanonical
  • 1.8.2. PLSSVD
  • 1.8.3. PLSRegression
  • 1.8.4. Канонический корреляционный анализ
• 1.9. Наивный Байес
  • 1.9.1. Наивный байесовский классификатор с гауссовским распределением
  • 1.9.2. Мультиномиальный наивный байесовский классификатор
  • 1.9.3. Комплементарный наивный байесовский классификатор
  • 1.9.4. Bernoulli Naive Bayes
  • 1.9.5. Категориальный наивный байесовский классификатор
  • 1.9.6. Построение наивной байесовской модели вне ядра
• 1.10. Деревья решений
  • 1.10.1. Классификация
  • 1.10.2. Регрессия
  • 1.10.3. Многовариантные задачи
  • 1.10.4. Сложность
  • 1.10.5. Советы по практическому использованию
  • 1.10.6. Алгоритмы деревьев: ID3, C4.5, C5.0 и CART
  • 1.10.7. Математическая формулировка
  • 1.10.8. Поддержка пропущенных значений
  • 1.10.9. Минимальная обрезка по стоимости-сложности
• 1.11. Ансамбли: Градиентный бустинг, случайные леса, бэггинг, голосование, стекинг
  • 1.11.1. Градиентный бустинг деревьев
  • 1.11.2. Случайные леса и другие ансамбли рандомизированных деревьев
  • 1.11.3. Мета-оценщик бэггинга
  • 1.11.4. Voting Classifier
  • 1.11.5. Регрессор голосования
  • 1.11.6. Стекинг (обобщение)
  • 1.11.7. AdaBoost
• 1.12. Многоклассовые и многовариантные алгоритмы
  • 1.12.1. Многоклассовая классификация
  • 1.12.2. Многометочная классификация
  • 1.12.3. Многоклассовая классификация с несколькими выходами
  • 1.12.4. Многомерная регрессия
• 1.13. Выбор признаков
  • 1.13.1. Удаление признаков с низкой дисперсией
  • 1.13.2. Одномерный отбор признаков
  • 1.13.3. Рекурсивное исключение признаков
  • 1.13.4. Выбор признаков с использованием SelectFromModel
  • 1.13.5. Последовательный отбор признаков
  • 1.13.6. Выбор признаков как часть конвейера
• 1.14. Полуконтролируемое обучение
  • 1.14.1. Самообучение
  • 1.14.2. Распространение меток
• 1.15. Изотоническая регрессия
• 1.16. Вероятностная калибровка
  • 1.16.1. Калибровочные кривые
  • 1.16.2. Калибровка классификатора
  • 1.16.3. Использование
• 1.17. Модели нейронных сетей (с учителем)
  • 1.17.1. Многослойный перцептрон
  • 1.17.2. Классификация
  • 1.17.3. Регрессия
  • 1.17.4. Регуляризация
  • 1.17.5. Алгоритмы
  • 1.17.6. Сложность
  • 1.17.7. Советы по практическому использованию
  • 1.17.8. Больше контроля с warm_start