机器学习
数据(包含信息) + 模型(基于规则&基于数理统计, 整合信息学习知识) + 推断(利用知识解决问题)
参考路径
基本算法归档
1.回归模型: 线性回归合辑
2.逻辑回归: 逻辑回归专题
3.KNN模型: KNN算法
4.决策树模型: 1）决策树初识
5.随机森林模型: 1）随机森林初识；2）集成学习简介
6.贝叶斯模型: 贝叶斯模型
7.聚类算法: 聚类算法与KMeans
8.SVM: 1）SVM(上)； 2）SVM(下)
9.降维算法: 降维算法
10.集成算法类(集成算法简介，XGBoost, Lightgbm, Catboost)
加密原因:"有很多优秀的前辈已做出分享，善于搜索"&"不对外制造过多同质化低水准内容"&"不求甚解地学习应用着" ??
个人须知：不是算法工程师，不必一定追求底层细节 手推算法！??
个人学习过程中参考学习的大佬博客地址：
1.刘建平Pinard：早期学习ML时候经常参看的博主
2.JULY：学习XGBoost时候发现的博主
数据工程
整体模块概览如下:
1.番外: 数据划分方法
2.番外: 数据预处理
3.番外: 特征工程
调参优化
一些调参优化方法（暂未专门整理）
模型评估
1.分类模型评估器
2.回归模型评估器
专题文章
1.知乎-各种机器学习算法的应用场景分别是什么（比如朴素贝叶斯、决策树、K 近邻、SVM、逻辑回归最大熵模型）？
2.知乎-做机器学习算法工程师是什么样的工作体验？
行业专题
工作中会有感觉，不必上来就套算法模型，扎实的业务经验&一定的数理知识也能搭建合理的业务模型，效果不差&效率不低~
这里后续会放上某些行业上的专题性质的东西。
本目录长期更新 ~