本文主要分享机器学习和深度学习相关书籍、项目、博客、学习路径、算法等，所记录的所有资料和链接均来自互联网，仅供个人学习参考使用。

• ml_dl_framework.doc

• ml_dl_books.doc
• 利用Python进行数据分析 第二版

• ml_dl_course.doc

• ml_dl_datasets.doc

• ml_dl_path.doc
• AI算法工程师手册

• numpy官方文档
• pands官方文档
• matplotlib官方文档
• python官方文档
• scikit-learn官方文档
• xgboost安装文档 xgboost github
• tensorflow官方文档
• fastText
• tencent angel
• Uber Horovod
• AutoKeras

• [L1-Norm]
• [L2-Norm]
• [Dropout]
• [Max-Norm Regularization]

特征工程本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。

• [1、特征的使用方案]
  特征的可用性评估,即哪些特征对我们模型有用,与业务高度相关,需要对业务有很深的理解;特征的覆盖率,准确率等。
• [2、特征处理]
  主要数据清洗（清洗异常样本，噪声数据；采样：数据不均衡，样本权重）和预处理（单个特征、是否需要归一化，离散化；多个特征（是否需要组合特征，降维、特征选择等）；衍生变量（对原始数据加工、生成有商业意义的变量）。
  特征抽取和预处理
• [3、特征监控]
  特征有效性分析：特征的重要性，权重；特征监控：监控重要特征，防止特征质量下降，影响模型效果。

• 交叉验证
  将训练数据分成训练集以及验证集，然后取平均值作为最终的结果。
• 网格搜索
  给定超参数的不同取值,依次对模型进行交叉验证来得到每个参数值下模型的效果。
  案例：使用k-means预测用户的签到位置

参考：sklearn.metrics.classification_report(y_test,y_predict,target_names=news.target_names)
其中，target_names表示目标类别的名称

• 混淆矩阵
• 准确率
• 召回率
• F1-Score
  案例：使用朴素贝叶斯进行新闻分类

Intel nGraph，即一个用于在跨框架和硬件平台间简化深度学习的性能优化过程的开源 C++库。
论文地址