机器学习知识体系

知识体系

主要分为三部分，应用、理论与实现，应用包括基于框架的针对具体场景的应用，也包括数据预处理和调参的一些经验；理论包括常见模型，优化方法等；实现是自己实现常见的模型，以及阅读框架代码的一些总结

问题处理pipeline

收集数据清洗数据 包括离散化，one-hot，缺失值填充，正则化可视化方法 scatter图数据集划分 几个集合的作用，有陷阱选择模型 NB，LR，SVM，CART/GDBT，EM， HMM，XGBOOST，最大熵，CRF调参经验 常见的trick和自动调参工具ensemble方法 平均，boosting，stacking

模型原理的推导需要集中时间学习，其他皆可利用碎片时间学习，最终以一个kaggle比赛示例的方式在博客进行总结