sk02.【scikit-learn基础】--『数据加载』之玩具数据集
sk03.【scikit-learn基础】--『数据加载』之真实数据集
sk04.【scikit-learn基础】--『数据加载』之样本生成器
sk05.【scikit-learn基础】--『数据加载』之外部数据集
sk06.【scikit-learn基础】--『预处理』之 标准化
sk07.【scikit-learn基础】--『预处理』之 数据缩放
sk08.【scikit-learn基础】--『预处理』之 正则化
sk09.【scikit-learn基础】--『预处理』之 分类编码
sk10.【scikit-learn基础】--『预处理』之 离散化
sk11.【scikit-learn基础】--『预处理』之 缺失值处理
sk12.【scikit-learn基础】--『监督学习』之 线性回归
sk13.【scikit-learn基础】--『监督学习』之 岭回归
sk14.【scikit-learn基础】--『监督学习』之 LASSO回归
sk15.【scikit-learn基础】--『监督学习』之 支持向量机回归
sk16.【scikit-learn基础】--『监督学习』之 决策树回归
sk17.【scikit-learn基础】--『监督学习』之 随机森林回归
sk18.【scikit-learn基础】--『监督学习』之 K-近邻分类
sk19.【scikit-learn基础】--『监督学习』之 逻辑回归分类
sk20.【scikit-learn基础】--『监督学习』之 贝叶斯分类
sk21.【scikit-learn基础】--『监督学习』之 决策树分类
sk22.【scikit-learn基础】--『监督学习』之 随机森林分类
sk23.【scikit-learn基础】--『监督学习』之 支持向量机分类
sk24.【scikit-learn基础】--『监督学习』之 均值聚类
sk25.【scikit-learn基础】--『监督学习』之 层次聚类
sk26.【scikit-learn基础】--『监督学习』之 谱聚类
sk27.【scikit-learn基础】--『监督学习』之 空间聚类
sk28.【scikit-learn基础】--『回归模型评估』之误差分析
sk29.【scikit-learn基础】--『回归模型评估』之偏差分析
sk30.【scikit-learn基础】--『回归模型评估』之可视化评估
sk31.【scikit-learn基础】--『回归模型评估』之准确率分析
sk32.【scikit-learn基础】--『回归模型评估』之损失分析
sk33.【scikit-learn基础】--『分类模型评估』之系数分析
sk34.【scikit-learn基础】--『分类模型评估』之评估报告
sk35.【scikit-learn基础】--模型持久化
sk36.神经网络极简入门
sk37.神经网络中神经元的权重更新
sk38.机器学习的数学基础--向量，矩阵
sk39.机器学习的数学基础--微积分
sk40.scikit-learn中的Pipeline：构建高效、可维护的机器学习流程
sk41.掌握机器学习数据集划分
sk42.模型的泛化性能度量：方法、比较与实现
sk43.比较检验：找出最佳机器学习模型
sk44.直线思维的进化：线性到广义线性
sk45.线性判别分析（LDA）：降维与分类的完美结合
sk46.线性模型与多分类问题：简单高效的力量
sk47.不平衡样本数据的救星：数据再分配策略
sk48.决策树：机器学习中的"智慧树"
sk49.决策树剪枝：平衡模型复杂性与泛化能力
sk50.当决策树遇上脏数据：连续值与缺失值的解决方案
sk51.多变量决策树：机器学习中的"多面手"
sk52.核函数：让支持向量机从"青铜"变"王者"
sk53.软间隔：让支持向量机更"宽容"
sk54.极大似然估计：频率学派与贝叶斯学派的碰撞与融合
sk55.从"朴素"到"半朴素"：贝叶斯分类器的进阶之路
sk56.集成学习双雄：Boosting和Bagging简介
sk57.集成学习常用组合策略：让多个模型"合作"得更好
sk58.集成学习中的多样性密码：量化学习器的多样性
sk59.同样的数据，更强的效果：如何让模型学会'互补思维'？
sk60.你的聚类模型靠谱吗？5大外部指标彻底揭秘
sk61.聚类是如何度量数据间的"远近"的？
sk62.不同数据场景下的聚类算法
sk63.降维技术：带你走进数据的"瘦身"世界
sk64.度量学习：让机器学会"距离"的奥秘
sk65.机器学习中的"食材挑选术"：特征选择方法
sk66.稀疏表示与字典学习：让数据"瘦身"的魔法
sk67.当机器学习遇见压缩感知：用少量数据重建完整世界
sk68.概率图模型：机器学习的结构化概率之道
sk69.规则学习：让机器学习像人类一样思考的可解释之路