特征工程资料索引

• 2019-#Series#:构建特征是一个很大的工程，总体来讲包括“特征选择”、“特征表达”和“特征评估”3个部分。我们也按这3个部分，并结合自己的具体实践，用3篇文章来和大家聊一下特征工程的相关问题。

• Faiss: A library for efficient similarity search and clustering of dense vectors.

• 2018-深度学习中常用的图像数据增强方法-纯干货:本文将会带你学会如何对已有的图像数据进行数据增强，获取样本的多样性与数据的多样性从而为训练模型打下良好基础。

归一化与正则化

• What-is-the-difference-between-L1-and-L2-regularization

• 机器学习中的范数规则化之(一)L0、L1与L2范数

• 机器学习中的范数规则化之(二)核范数与规则项参数选择

• 机器学习中的范数规则化

Dimension Reduction

• 维度打击，机器学习中的降维算法：ISOMAP & MDS

• 降维算法总结比较

• 2018-漫谈概率PCA和变分自编码器:本文的主要目的就是整理一下PCA、概率PCA、AutoEncoders、变分AutoEncoders这四者的关系。

Feature Extraction

• 基于统计的特征提取方法(构造评估函数)

• 模式识别 学习笔记：第七章 特征选择

• TSFresh :automatically calculate a huge number of time series characteristics, the so called features.

• 2019-The Hitchhiker’s Guide to Feature Extraction: Some Tricks and Code for Kaggle and Everyday work

频繁项挖掘

• 频繁项集挖掘算法之FPGrowth

• 数据挖掘之频繁项集分析

• 频繁项集挖掘Apriori算法简介

Time Series

• Time Series Analysis in Python: An Introduction: Additive models for time series modeling.

• 2019-Time Series Prediction - A short introduction for pragmatists: This blog post will provide a comparison of the most prominent techniques and show you how to implement them.