该文档总结了常用的数据挖掘的算法原理以及Python实践内容，为初学者提供良好的参考资料，需要的朋友可看看！ 第一部分 数据挖掘与机器学习数学基础3 第一章 机器学习的统计基础3 第二章 探索性数据分析（EDA）.11 第二部分 机器学习概述14 第三章 机器学习概述14 第三部分 监督学习---分类与回归16 第四章 KNN（k 最邻近分类算法） 16 第五章 决策树19 第六章 朴素贝叶斯分类29 第七章 Logistic 回归 .32 第八章 SVM 支持向量机42 第九章 集成学习(Esemble Learning)43 第十一章 模型评估46 第四部分 非监督学习---聚类与关联分析50 第十二章 Kmeans 聚类分析.50 第十三章 关联分析 Apriori.52 第十四章 数据预处理之数据降维54 第五部分 Python 数据预处理.57 第十五章 Python 数据分析基础.57 第十六章 Python 进行数据清洗.77 第六部分 数据结构与算法82 第七部分 SQL 知识.86 第八部分 数据挖掘案例分析87 案例一 A Journey through Titanic 597c770e .87 案例二 Analysis forairplane-crashes-since-190894 案例三 贷款预测问题98 案例四 KNN 算法实现葡萄酒价格模型预测及交叉验证107

在自己学习过程中，详细整理了数据挖掘领域常用的算法模型的数学推导，及其关键代码，可供面试前参阅

包含一个总结图像匹配的文献与一个实现图像匹配的经典算法链接，是理解图像匹配算法的很好的资料。

逻辑回归

本文来自于arleyzhang博客，本文主要介绍目标检测中两步检测算法的总结对比，提出了一种新的两步检测模型，Light-HeadRCNN，希望会对您的学习有所帮助。Rbg提出的R-CNN的方法1.一张图像先通过selectivesearch的方法，生成1K~2K个候选区域，这个步骤生成的候选区域大小是不一样的，因此需要warpedregion，也就是将不同大小的region缩放到同样的尺寸，因为CNN后面的全连接层要求输入尺寸固定。2.对每个warped后的候选区域，使用CNN提取特征，提取的特征需存储到磁盘；3.读取特征，送入每一类的SVM分类器，判别是否属于该类；4.最终还有一个位置回归

查找算法总结---（附代码），带对比，时间复杂度，空间复杂度，代码分析。

包括 1.Hough变换 2.逆投影变换（IPM） 3.随机采样一致性算法（RANSAC） 4.DBSCAN算法 5.K-means聚类法 6.D-S策略 7.Adaboost算法

机器学习数据挖掘常用算法总结梳理完整版：是对于机器学习以及数据挖掘领域中使用到的算法、方法和模型等方面一个全面的总结和学习概括，欢迎同行互相交流学习，欢迎指点。

NFTL 算法 DFTL lazyFTL and Journal flash file system

机器学习十大经典算法优缺点总结提炼，包括C4.5,K-means,SVM,k近邻，以及pageRank,决策树等算法原理