务实而深入地理解机器学习的几个经典算法

现实问题错综复杂，仅仅调调 Sklearn 或 TensorFlow 的几个 API 就能把事做好？ 应该没那么简单？！通常先务实地学几个经典算法，体会其思想，最好能编写源码实现它们，然后再勇往直前。主要内容包括：

ML 的算法框架，通常包括哪几部分？

海量的数据 feed 到 ML 算法模型后，如何高效地利用它们？最终学到了什么？ 让它们停下来的策略都有哪些？

OLS 线性回归的误差项为什么要满足高斯分布？最大似然估计原理如何通俗理解和灵活运用？

OLS 的直接求解是必然还是偶然？

OLS 的梯度下降如何实施？包括不调包的源码实现

线性回归到逻辑回归，Sigmoid 映射起到了什么作用？

实战逻辑回归任务，包括不调包的梯度下降源码实现。

决策树的算法思想是什么？

从数据结构看，基本的二叉树如何演化成了决策树？

实战决策树做回归任务，包括不调包的源码实现。

阅读全文: http://gitbook.cn/gitchat/activity/5a31e4593c8cf87b16668926