my handbook
Overview
前言
概率分布
- Beta分布
平滑
标准化
- 归一化
最优化
- 梯度下降
  - 变形
  - 优化方法
    - Momentum.md
    - NAG.md
    - Adagrad.md
    - Adadelta.md
    - RMSprop.md
    - Adam.md
工具
- Latex
特征工程
损失函数
正则化
- L1
- L2
评估函数
应用
强化学习
embedding
- word2vec
- FM
建模
ml
- 特征工程
  - 特征清洗
    - 清洗异常样本
    - 采样
      - 样本不均衡
      - 样本权重
  - 特征预处理
  - 特征选择
    - 为什么要特征选择
    - 如何特征选择
  - 特征组合
    - 是否需要组合及强弱程度
    - 如何组合
  - 如何发现特征
  - 特征分析
    - 特征类别
    - 单个特征
- 评估函数
  - AUC
  - MAE
  - MSE
- 建模
  - 数据分析
    - 分析特征变量的分布
      - 连续值
      - 离散值
    - 分析目标变量的分布
      - 连续值
      - 离散值
    - 分析变量之间两两分布和相关度
  - 选择模型
  - 错误分析
  - 调参
    - hyperopt
  - 模型验证
  - 模型集成
dl
参考
深度学习
c4 数值计算
c5 机器学习基础
理论
coder
pandas
特征编码
- OneHotEncoder
- 特征工程技巧
hive sql
shell
- 参数
python
- python3
spark
spark 调优
贝叶斯方法
定理
- 大数定律
- 贝叶斯定理
频率方法
概率分布
PyMC
- MCMC
评论排序
dl
data
- fashion-mnist
- mnist
gans
- GAN
- IRGAN
tensorflow
- 入门
- 架构
  - 计算图解释
  - 大规模机器学习框架
卷积神经网络
lstm
排序&推荐
参考文章
CTR Prediction
DeepFM
综述

Powered by GitBook

离散值

观察每个离散值的频率分布，对于频次较低的特征，可以考虑统一编码为“其他”类别

results matching ""

No results matching ""