Repository files navigation
[中文 |English ]
1.1 安装Conda
1.2 使用Conda
1.3 开发环境
2.1 模型的建立与求解
2.2多变量线性回归
2.3 多项式回归
2.4 回归模型评估
2.5 梯度下降
2.6 正态分布
2.7 目标函数推导
3.1 模型的建立与求解
3.2 多分类任务
3.3 常见的分类评估指标
3.4 目标函数推导
4.1 基本概念
4.2 特征标准化
4.3 过拟合
4.4 正则化
4.5 偏差、方差与交叉验证
4.6 实例分析手写体识别
5.1 K近邻思想
5.2 K近邻原理
5.3 sklearn接口与示例代码
5.4 kd树
5.5 从零实现K近邻
6.1 词袋模型
6.2 基于$K$近邻算法的垃圾邮件分类
6.3 考虑权重的词袋模型
6.4 词云图
7.1 朴素贝叶斯算法
7.2 贝叶斯估计
7.3 从零实现朴素贝叶斯算法
7.4 多项式朴素贝叶斯原理与实现
7.5 高斯朴素贝叶斯原理与实现
8.1 决策树的基本思想
8.2 决策树的生成之ID3与C4.5
8.3 决策树生成与可视化
8.4 决策树剪枝
8.5 从零实现ID3与C4.5决策树算法
8.6 连续型特征变量下决策树实现
8.7 CART生成与剪枝算法
8.8 从零实现CART决策树算法
9.1 集成学习
9.2 随机森林
9.3 泰坦尼克号生还预测
9.4 AdaBoost原理与实现
9.5 MultiAdaboost原理与实现
9.6 GradientBoosted原理与实现
10.1 SVM思想
10.2 SVM线性不可分
10.3 SVM原理
10.4 SVM中的软间隔
10.5 拉格朗日乘数法
10.6 对偶性与KKT条件
10.7 SVM优化问题
10.8 SVM核函数原理
10.9 SMO算法
10.10 从零实现SVM分类算法
11.1 聚类算法的思想
11.2 Kmeans聚类算法
11.3 Kmeans算法求解
11.4 从零实现kmeans聚类算法
11.5 Kmeans++聚类算法
11.6 聚类外部评估指标
11.7 加权kmeans聚类算法
11.8 聚类内部评估指标
11.9 聚类K值选取与分析
11.10 基于密度的聚类
11.11 基于层次的聚类
12.1 主成分分析
12.2 基于核方法的主成分分析
13.1 Self-training自训练算法
13.2 Label Propagation标签传播算法
13.3 Label Spreading标签传播算法
About
A repository contains more than 12 common statistical machine learning algorithm implementations. 常见10余种机器学习算法原理与实现及视频讲解。@月来客栈 出品
Topics
Resources
Stars
Watchers
Forks
You can’t perform that action at this time.
