數學知識-積累與發現
概率與統計
基礎
概率論-wiki
資料探勘中所需的概率論與數理統計知識
先驗概率與後驗概率
PR曲線、ROC曲線和AUC
詳解最大似然估計（MLE）、最大後驗概率估計（MAP），以及貝葉斯公式的理解
MLE隱含了引數取任何值的概率都一樣，而MAP則考慮到了引數取不同值的概率是有差別的，有些值更容易取到，有些值不容易取到。比如扔十次硬幣，十次都是正，那MLE估計得結果就是正的概率為1，但大家知道這明顯不可能，所以要用到先驗概率，就是上面所說，我們預先知道了取1幾乎不可能
馬爾科夫鏈蒙特卡洛方法
簡單易學的機器學習演算法——Metropolis-Hastings演算法
MCMC(一)蒙特卡羅方法
假設檢驗
資訊理論
資訊理論：熵與互資訊
【機器學習】資訊量，資訊熵，交叉熵，KL散度和互資訊（資訊增益）
決策樹–資訊增益，資訊增益比，Geni指數的理解
ID3決策樹中連續值的處理
優化演算法
基礎
NPC問題
P、NP、NPC和NP-Hard相關概念的圖形和解釋
P問題、NP問題、NPC問題的概念及例項證明
常見的幾種最優化方法（梯度下降法、牛頓法、擬牛頓法、共軛梯度法等）
數值優化（Numerical Optimization）學習系列-線搜尋方法（LineSearch）
組合最優化
概論-組合最優化問題、計算複雜性和啟發式演算法概念（現代優化計算方法）
梯度下降
為什麼說隨機最速下降法(SGD)是一個很好的方法？
梯度下降（Gradient Descent）小結
貪婪演算法
貪心演算法
從零開始學貪心演算法
演算法思想 – 貪心演算法(1) – 基本概念及步驟
遞迴，分治演算法，動態規劃和貪心選擇的區別
擬陣理論和貪心演算法淺析
搜尋演算法
線性規劃之單純形法【超詳解+圖解】
如果有最優解，為什麼單純形最終一定會達到最優解？
共軛方向法和共軛梯度法
最優化學習筆記（九）——基本的共軛方向演算法
區域性搜尋演算法詳解
搜尋演算法（篇一）
搜尋演算法（篇二）
學習總結：區域性搜尋
模擬退火演算法
進化演算法
遺傳演算法詳解（GA）（個人覺得很形象，很適合初學者）
遺傳演算法入門到掌握（一）
遺傳演算法入門到掌握（二）
一文讀懂遺傳演算法工作原理（附Python實現）
智慧演算法—蟻群演算法介紹
蟻群演算法（獨闢蹊徑的進化演算法）
粒子群演算法(1)----粒子群演算法簡介
粒子群演算法(2)----標準的粒子群演算法
粒子群演算法(3)----標準的粒子群演算法(區域性版本)
神經網路規劃
綜合
優化搜尋演算法：爬山法，模擬退火演算法，遺傳演算法-Python實現
元啟發式演算法網站
圖論
基礎
基礎筆記：圖的一些概念
圖論基本定義和術語
並查集——求無向圖的所有連通子圖
演算法導論–最小生成樹（Kruskal和Prim演算法）
Clustering coefficient的計算
社群發現
標籤傳播演算法（Label Propagation）及 Python 實現
演算法設計
基礎
查詢演算法
綜合
CS 97SI: Introduction to Programming Contests
DFS與BFS
資料結構和演算法總結（一）：廣度優先搜尋BFS和深度優先搜尋DFS
回溯法和分支定界法
演算法複習筆記（回溯法，分支限界法）
規劃演算法
漫畫：什麼是動態規劃？
《面試–動態規劃》 —五種經典的演算法問題