1. 지도 학습
1.1. 선형 모델
- 1.1.1. 최소제곱법
- 1.1.2. 릿지 회귀와 분류
- 1.1.3. 라쏘
- 1.1.4. 다중작업 라쏘
- 1.1.5. 엘라스틱넷
- 1.1.6. 다중작업 엘라스틱넷
- 1.1.7. 최소 각도 회귀
- 1.1.8. LARS 라쏘
- 1.1.9. 직교 정합 추구(OMP)
- 1.1.10. 베이지안 회귀
- 1.1.11. 로지스틱 회귀
- 1.1.12. 일반화 선형 모델
- 1.1.13. 확률적 경사 하강 - SGD
- 1.1.14. 퍼셉트론
- 1.1.15. 수동 적대적 알고리즘
- 1.1.16. 강건성 회귀: 이상값과 모델링 오류
- 1.1.17. 분위수 회귀
- 1.1.18. 다항 회귀: 기저 함수로 선형 모델 확장
1.2. 선형과 이차 판별 분석
- 1.2.1. 선형 판별 분석을 사용한 차원 축소
- 1.2.2. LDA와 QDA 분류기의 수학 공식
- 1.2.3. LDA 차원 축소의 수학 공식
- 1.2.4. 수축과 공분산 추정기
- 1.2.5. 추정 알고리즘
1.3. 커널 릿지 회귀
1.4. 서포트 벡터 머신
- 1.4.1. 분류
- 1.4.2. 회귀
- 1.4.3. 밀도 추정, 특이값 탐지
- 1.4.4. 복잡도
- 1.4.5. 실제 사용 팁
- 1.4.6. 커널 함수
- 1.4.7. 수학 공식
- 1.4.8. 구현 상세
1.5. 확률적 경사 하강
- 1.5.1. 분류
- 1.5.2. 회귀
- 1.5.3. 온라인 단일클래스 SVM
- 1.5.4. 희소 데이터를 위한 확률적 경사 하강
- 1.5.5. 복잡도
- 1.5.6. 정지 기준
- 1.5.7. 실제 사용 팁
- 1.5.8. 수학 공식
- 1.5.9. 구현 상세
1.6. 최근접 이웃
- 1.6.1. 비지도 최근접 이웃
- 1.6.2. 최근접 이웃 분류
- 1.6.3. 최근접 이웃 회귀
- 1.6.4. 최근접 이웃 알고리즘
- 1.6.5. 최근접 중심 분류기
- 1.6.6. 최근접 이웃 변환기
- 1.6.7. 주변 성분 분석
1.7. 가우시안 과정
1.8. 교차 분해
1.9. 나이브 베이즈
- 1.9.1. 가우시안 나이브 베이즈
- 1.9.2. 다항 나이브 베이즈
- 1.9.3. 보완 나이브 베이즈
- 1.9.4. 베르누이 나이브 베이즈
- 1.9.5. 범주형 나이브 베이즈
- 1.9.6. 아웃-오브-코어 나이브 베이즈 모델 적합
1.10. 의사결정나무
- 1.10.1. 분류
- 1.10.2. 회귀
- 1.10.3. 다중출력 문제
- 1.10.4. 복잡도
- 1.10.5. 실제 사용 팁
- 1.10.6. 트리 알고리즘: ID3, C4.5, C5.0 그리고 CART
- 1.10.7. 수학 공식
- 1.10.8. 최소 비용-복잡도 가지치기
1.11. 앙상블 방식
- 1.11.1. 배깅 메타추정기
- 1.11.2. 무작위 나무의 숲
- 1.11.3. 에이다부스트
- 1.11.4. 경사 트리 부스팅
- 1.11.5. 히스토그램 기반 경사 부스팅
- 1.11.6. 보팅 분류기
- 1.11.7. 보팅 회귀자
- 1.11.8. 스택 일반화
1.12. 다중클래스와 다중출력 알고리즘
1.13. 특성 선택
- 1.13.1. 저분산 특성 제거
- 1.13.2. 단변량 특성 선택
- 1.13.3. 재귀적 특성 제거
- 1.13.4. SelectFromModel로 특성 선택
- 1.13.5. 순차적 특성 선택
- 1.13.6. 파이프라인의 일부로 특성 선택