# QuantWiki

**Repository Path**: boxfishlab/Pandora.Wiki

## Basic Information

- **Project Name**: QuantWiki
- **Description**: Pandora.wiki基于机器学习，以及神经网络和深度学习，在计算机视觉自然语言处理以及AI设计方面，受数据驱动提供一整套流程去处理社会性技术问题的仓库笔摘目录
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2020-09-09
- **Last Updated**: 2021-04-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

> What is Pandora.Wiki.1.0.0  

	Pandora.Wiki 1.0.0 is a .....
  
- Chapter1: python3. + subline Text 3 + Computer hacker skill
	- C1.1python核心编程
    	- [C1.1写给编程人员的话，以及python安装，预备念经....................................................author:liu]()
    	- [C1.1.0 Ipython一种交互式计算和开发环境]()
    	- [C1.1.1python基础知识至面向对象编程]()
    	- [C1.1.2python数据结构与算法](https://charben.github.io/2018/08/12/Algorithm/)
      - 第一部分 基础知识
 		 	- Chapter1 算法入门
 		 	- Chapter2 函数的增长
 			 - Chapter3 递归式
 		 - Chapter4 概率分析和随机算法
      		-  概率分析
      - 第二部分 排序和顺序统计学
      - 第三部分 数据结构
      - 第四部分 高级设计和分析技术
      - 第五部分 高级数据结构
      - 第六部分 图算法
      - 第七部分 算法研究问题选编
	- C1.2python实用笔记
    	- [C1.2.1 python爬虫](https://charben.github.io/2018/08/19/webDataget/)
	- C1.2python性能优化
- Chapter2: Math Support（概率论，线性代数，微积分，数值分析与优化）
	- C2.1 线性代数...
	- C2.2 微积分............................
	- C2.3 概率论.............................
	- C2.4 数值分析与优化................................
		- 优化与运筹
		- 数值分析
	- 2.5 论文复现
		- 某某某论文/翻译/复现成功/应用分析
		- 某某某论文/翻译/复现成功/应用分析
- Chapter4: Machine Learning
	- [C4.0机器学习基础以及性能描述](http://charben.github.com/2029/06/26/ML/
)
		- [C4.0.1 特征工程]()
		- [C4.1SuperVised Learning分类算法......]()
			- [C4.1.1 Knn(k近邻算法).........]()
    		- [C4.1.2 决策树以及衍生树随机森岭................]()
    		- [C4.1.2.1 决策树]()
			- [C4.1.2.2 随机森林]()
			- [C4.1.2.3 基于单个决策树的集成学习器]()
			- [C4.1.3 Native Bayes朴素贝叶斯分类................]()
			- [C4.1.4 Logistic逻辑回归以及其衍生优化算法............]()
			- [C4.1.4.1 Logistic逻辑回归原型]()
			- [C4.1.4.2 Softmax Regression柔性最大值多类问题]()
			- [C4.1.4.3 Factorization Machine FM因子分解机]()
			- [C4.1.5 支持向量机Support Vector]()
			- [C4.1.6 ××.....................................]()
		- [C4.2UnSuperVised Leaning回归算法............................]()
			- [C4.2.1 线性回归.......................................]()
			- [C4.2.1 岭回归与Lasso回归.....................................]()
			- [C4.2.1 CART树回归.......................................]()
		- [C4.3Semi-SuperVised Learning聚类算法...........]()
			- [C4.3.1 K-Means聚类...........................]()
			- [C4.3.1 Mean Shift聚类..............]()
			- [C4.3.1 DBSCAN聚类............]()
			- [C4.3.1 Label Propagation........]()
		- [C4.4基于项目的机器学习算法......]()
			- [C4.3.1推荐算法.......................]()
			- [C4.3.1协同过滤算法..............]()
			- [C4.3.1基于矩阵分解的推荐算法.......................]()
			- [C4.3.1基于图的推荐推荐算法................]()
			- [C4.3.1×.........................]()
			- [C4.3.1 ×ation....................]()
		- [C4.5Machine Learning开源python框架Scikit-learn]()
			- [C4.5.1 scikit-learning 诞生]()
    			- [C4.5.2 sklearn 分类]()
    			- [C4.5.2.1 懒惰的KNN]()
        		- [C4.5.2.2 线性回归]()
    			- [C4.5.3 sklearn 回归]()
    			- [C4.5.4 sklearn 聚类]()
    			- [C4.5.5 特征工程]()
    			- [C4.5.5.1数据预处理]()
        		- [C4.5.5.2 通过降维压缩数据]()
    			- [C4.5.6 模型评估与参数调优]()
    - [C4.5.7 sklearn机器学习应用实战]()
- Chapter5: Neural Network and Deep Leaning
	- [C5.0Neural Network历史](http://charben.github.com/2029/06/26/ML/
)
	- [C5.0.1 预备知识]()
	- C5.1神经网络......
		- C5.1.1 第一个神经网络模型：感知器
    	- C5.1.2 BP神经网络
    	- C5.1.3.径向基神经网络
		- C5.1.n ××介绍神经网络的众多模型
	- C5.2深度学习............................
		- C5.2.1 卷积神经网络
    		- C5.2.1.1卷积神经网络的发展历史
        	- C5.2.1.2 卷积神经网络的前身：神经认知模型
        	- [C5.2.1.3 第一个现代卷积神经网络模型：LeNet-5....................................................................................]()
        	- C5.2.1.n-1 卷积神经网络之图像分类
        	- C5.2.1.n-1 卷积神经网络之图像检测
        		- C5.2.1.n-1 传统目标检测的方法
				- C5.2.1.n-1 基于区域的网络
					- C5.2.1.n-1 传统目标检测的方法 
				- C5.2.1.n-1 基于回归的网络
        	- C5.2.1.n-1 卷积神经网络之语义分割
        		- C5.2.1.n-1 传统图像分割方法
        		- C5.2.1.n-1 全卷积神经网路
        		- C5.2.1.n-1 SeQNet网络
        	- C5.2.1.n-1 卷积神经网络之图像检索
        	- [C5.2.1.n 卷积神经网络区域模型：R-CNN........................................................................................................]()
		- C5.2.2 循环神经网络..............................
		- C5.2.3 递归神经回归.......................................
    	- C5.2.4生成对抗神经网络............................. 
	- C5.3深度学习开源框架应用实践
		- [C5.3.1 Pytorch:让深度学习变得更加美好........................................................................................................2018-12-11]()
    	- [C5.3.2 Tensorflow:静态图抽象的迷人........................................................................................................STOP]()

- 相关连接：
  - python官方doc：[https://docs.python.org/3/](https://docs.python.org/3/)
  - python第三方库文件: [https://www.lfd.uci.edu/~gohlke/pythonlibs/#mysql-python](https://www.lfd.uci.edu/~gohlke/pythonlibs/#mysql-python)
  - 菜鸟笔记-python教程: [http://www.runoob.com/python3/python3-tutorial.html](http://www.runoob.com/python3/python3-tutorial.html)
  - python电子书相关教程: [http://inventwithpython.com/](http://inventwithpython.com/)
  - [python第三方库文件](https://www.lfd.uci.edu/~gohlke/pythonlibs/#mysql-python)|提供了python支持的很多第三方库文件.whl|
  - [知乎讨论：有关python的项目](https://www.zhihu.com/question/29372574)|可以选择一些项目联手|
  - [Pythonweb框架](https://python.libhunt.com/categories/254-web-frameworks)|github上也有|
  - Niftynet 一种开源卷积神经网络平台，用于医学图像分析和图像引导治疗|http://niftynet.io/|
  - tacotron|一个基于Tensorflow框架的开源Tacotron实现TTS|https://github.com/begeekmyfriend/tacotron|
  - csdn帖子 |[100+诡异的数据集，20万Eclipse Bug、死囚遗言等](https://www.csdn.net/article/2014-06-06/2820111-100-Interesting-Data-Sets-for-Statistics/1)部分受限网络|
  - airbnb网站|[Airbnb](https://www.crunchbase.com/organization/airbnb#section-overview)|在线企业人员信息查找|
  - 找我要论坛|[找我要资源](https://wlsam168.ctfile.com/)|长期更新各类图书|
  - csdn帖子|[公开的机器学习数据集](https://blog.csdn.net/u012123197/article/details/79220369)|部分受限网络|
  - csdn帖子|[52个有用的机器学习和预测API](https://blog.csdn.net/T7SFOKzorD1JAYMSFk4/article/details/80288486)|部分受限网络|
  - UCI网站|[UCI机器学习数据源](http://archive.ics.uci.edu/ml/datasets.html)|机器学习可靠的数据源|
  - csdn帖子|[ml数据集大全](https://blog.csdn.net/kwame211/article/details/81285242)|还未尝试|
  - 道客帖子|[ml最常用的数据集](http://www.360doc.com/content/18/0620/08/40732010_763739080.shtml)|还未尝试|
  - 网络帖子|[机器学习数据集](http://mt.sohu.com/20180209/n530607148.shtml) | 还未尝试|
  - 网站|[斯坦福MURA数据](https://stanfordmlgroup.github.io/competitions/mura/)|访问较慢|
  - csdn帖子|[医学影像数据集](https://blog.csdn.net/sinat_37842336/article/details/80582948)|还未尝试|
  - 中国国家图事馆|http://www.nlc.cn/dsb_zyyfw/lw/lwzyk/|收录了很多书籍和论文（包括中国知网）|
  - 网帖|https://zhuanlan.zhihu.com/p/36970861| |
  - 机器学习与数据挖掘免费书单|https://github.com/josephmisiti/awesome-machine-learning/blob/master/books.md|
  - 西林街|http://www.xilinjie.com/ |
  - 盘搜|http://www.pansoso.com/|
  - Python机器学习（数据科学系列丛书)|[美] Sebastian Raschka |https://pan.baidu.com/s/11c_er0H9mJEK1IeY5JSrvg ：sx9q|
  - 最专注的机器学习中文社区[tensorfly](http://www.tensorfly.cn/home/) |有关机器学习方面的文档 | 
  - [ensorFlow 是一个用于人工智能的开源神器](http://www.tensorfly.cn/)|ensorflow 还没竣工，它需要被进一步扩展和上层建构。我们刚发布了源代码的最初版本，并且将持续完善它。|
  - [机器学习开源项目为你精选TOP30！](https://blog.csdn.net/tMb8Z9Vdm66wH68VX1/article/details/79070587)|csdn帖子|
  - [https://github.com/josephmisiti/awesome-machine-learning](https://github.com/josephmisiti/awesome-machine-learning)|收集了机器学习的开源项目|
  - scikit-learn: [http://scikit-learn.org/stable/](http://scikit-learn.org/stable/)|机器学习开源库文件| 
  - tom mitcher : [http://www.cs.cmu.edu/~tom/](http://www.cs.cmu.edu/~tom/)|未知|
  - [吴恩达机器学习](https://study.163.com/course/courseLearn.htm?courseId=1004570029#/learn/video?lessonId=1049052745&courseId=1004570029)|Andrew ng||
  - [机器学习导论](https://study.163.com/course/courseLearn.htm?courseId=1694003#/learn/video?lessonId=2038054&courseId=1694003)|上交：张志华||
  - 原文地址：[《Introduction to Algorithms 算法导论》©机械工业出版社]()|  [算法第四版](https://algs4.cs.princeton.edu/home/)
  - [leetcode: https://leetcode-cn.com/](https://leetcode-cn.com/)
  - [牛客网：https://www.nowcoder.com/875316208](https://www.nowcoder.com/875316208)
  - [算法网站](https://algs4.cs.princeton.edu/home/)