机器学习

本文介绍了Latent Dirichlet Allocation (LDA) 概率模型的建立过程，以及如何使用EM算法和变分推断求解该模型

本文以一个实际数据集为例介绍了机器学习中解决多输出-多分类（Multioutput-Multiclass）问题的方法

本文介绍了基于策略梯度的强化学习方法，并以此为基础介绍了通过蒙特卡洛实现策略梯度的REINFORCE算法

本文介绍了两种在实际应用中经常使用的解决强化学习问题的方法（sample-based learning）：蒙特卡洛和时序差分

数据准备是机器学习中一项非常重要的环节，本文主要对数据准备的基本流程进行梳理：数据清理、数据转换、特征选择

本文介绍了机器学习中两个经典的降维方法：主成分分析PCA (Principal Component Analysis)与线性判别分析LDA (Linear Discriminant Analysis)

本文第一部分介绍了关于强化学习问题的基本概念，例如MDP，Bellman方程，State(Action)-Value Function，最优策略等；本文第二部分介绍了求解强化学习问题的一类最基本的算法：动态规划 (例如策略迭代和价值迭代)

本文介绍了一个可以自动进行特征工程的python库：Featuretools，它的主要原理是针对多个数据表以及它们之间的关系，通过转换和聚合操作自动生成新的特征

本文通过一个实际的数据分析问题介绍了xgboost包的使用以及关键参数的调试过程，并且介绍了从数据处理、特征工程到模型搭建的全部流程