机器学习的特征工程是将原始的输入数据转换成特征，以便于更好的表示潜在的问题，并有助于提高预测模型准确性的过程。找出合适的特征是很困难且耗时的工作，它需要专家知识，而应用机器学习基本也可以理解成特征工程。
集成学习（Ensemble Learning）是解决有监督机器学习的一类方法，它的思路是基于多个学习算法的集成来获取一个更好的预测结果。本文将介绍相关概念，并对一些注意事项进行总结。
Dirichlet Distribution（狄利克雷分布）与Dirichlet Process（狄利克雷过程）
Generative Adversarial Networks 生成对抗网络的简单理解
通过JRI实现java与R的连接、通信
贝塔分布（Beta Distribution）简介及其应用
使用R语言进行K-means聚类并分析结果
深度学习基础——激活函数以及什么时候该使用激活函数
机器学习中的高斯过程
多元高斯分布（多元正态分布）简介
回归模型中的交互项简介（Interactions in Regression）
正则项的理解之正则从哪里来
梯度下降、牛顿法、拟牛顿法详细介绍
生成对抗网络简介（包含TensorFlow代码示例）【翻译】
Java爬虫入门简介（三） —— Jsoup解析HTML页面
HFUTUtils的使用
Scrapy网络爬虫实战[保存为Json文件及存储到mysql数据库]
盒模型
eclispe常见错误及其解决方案
网络爬虫中的模拟登陆获取数据（实例教学）
beta分布的采样或抽样(java程序)
