ml-notes

KO | EN

gitlite — search

#python #java #python3 #arduino #golang #machine-learning #rust #html #flask #javascript #seismology #nodejs

★ 18 Open GitHub ↗

我的机器学习笔记

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# ml-notes

我的机器学习笔记

### 概述

* [01. 什么是机器学习](概述/01.%20什么是机器学习.ipynb)
* [02. 机器学习分类](概述/02.%20机器学习分类.ipynb)
* [03. 机器学习算法](概述/03.%20机器学习算法.ipynb)

## 有监督学习

### 回归

* [01. 什么是线性回归？](线性回归/01.%20什么是线性回归.ipynb)
* [02. 一元线性回归的求解](线性回归/02.%20一元线性回归的求解.ipynb)
* [03. 二元线性回归的求解](线性回归/03.%20二元线性回归的求解.ipynb)
* [04. 多元线性回归的求解](线性回归/04.%20多元线性回归的求解.ipynb)
* [05. 线性回归的扩展](线性回归/05.%20线性回归的扩展.ipynb)
* [06. NFL定理和过拟合](线性回归/06.%20NFL定理和过拟合.ipynb)
* [07. 使用 sklearn 解线性回归](线性回归/07.%20使用%20sklearn%20解线性回归.ipynb)
* [08. 通过模型评估降低过拟合](线性回归/08.%20通过模型评估降低过拟合.ipynb)
* [09. 回归模型的评估和选择](线性回归/09.%20回归模型的评估和选择.ipynb)
* [10. 什么是梯度下降](线性回归/10.%20什么是梯度下降.ipynb)
* [11. 梯度下降的简单例子](线性回归/11.%20梯度下降的简单例子.ipynb)
* [12. 利用梯度下降法解线性回归](线性回归/12.%20利用梯度下降法解线性回归.ipynb)
* [13. sklearn 中的梯度下降法](线性回归/13.%20sklearn%20中的梯度下降法.ipynb)
* [14. 最优化问题的其他算法](线性回归/14.%20最优化问题的其他算法.ipynb)
* [15. 线性回归实例](线性回归/15.%20线性回归实例.ipynb)
* [16. 带约束条件的线性回归](线性回归/16.%20带约束条件的线性回归.ipynb)
* [17. 求解岭回归和LASSO回归](线性回归/17.%20求解岭回归和LASSO回归.ipynb)
* [18. 使用岭回归解决共线性问题](线性回归/18.%20使用岭回归解决共线性问题.ipynb)
* [19. LASSO回归和稀疏学习](线性回归/19.%20LASSO回归和稀疏学习.ipynb)
* [20. 鲁棒学习](线性回归/20.%20鲁棒学习.ipynb)

### 分类

#### 逻辑回归

* [01. 从回归到分类](逻辑回归/01.%20从回归到分类.ipynb)
* [02. 一元分类问题和逻辑函数](逻辑回归/02.%20一元分类问题和逻辑函数.ipynb)
* [03. 逻辑回归和一元分类问题的求解](逻辑回归/03.%20逻辑回归和一元分类问题的求解.ipynb)
* [04. 使用梯度下降解逻辑回归](逻辑回归/04.%20使用梯度下降解逻辑回归.ipynb)
* [05. 多元分类问题的求解](逻辑回归/05.%20多元分类问题的求解.ipynb)
* [06. 使用牛顿法解逻辑回归](逻辑回归/06.%20使用牛顿法解逻辑回归.ipynb)
* [07. 线性回归和逻辑回归总结](逻辑回归/07.%20线性回归和逻辑回归总结.ipynb)
* [08. 从二分类到多分类](逻辑回归/08.%20从二分类到多分类.ipynb)
* [09. 从线性分类到非线性分类](逻辑回归/09.%20从线性分类到非线性分类.ipynb)
* [10. 分类模型的评估方法](逻辑回归/10.%20分类模型的评估方法.ipynb)

#### k-近邻

* [01. k-近邻算法概述](kNN/01.%20k-近邻算法概述.ipynb)
* [02. 距离度量方法](kNN/02.%20距离度量方法.ipynb)
* [03. k-近邻的算法实现：kd 树](kNN/03.%20k-近邻的算法实现：kd%20树.ipynb)
* [04. sklearn 实战 k-近邻算法](kNN/04.%20sklearn%20实战%20k-近邻算法.ipynb)

#### 决策树

* [01. 决策树算法概述](决策树/01.%20决策树算法概述.ipynb)
* [02. 如何选择最优的划分属性](决策树/02.%20如何选择最优的划分属性.ipynb)
* [03. 决策树算法实战](决策树/03.%20决策树算法实战.ipynb)
* [04. 决策树的剪枝策略](决策树/04.%20决策树的剪枝策略.ipynb)
* [05. 连续值和缺失值](决策树/05.%20连续值和缺失值.ipynb)
* [06. 多变量决策树](决策树/06.%20多变量决策树.ipynb)

#### 贝叶斯

* [01. 贝叶斯定理](贝叶斯/01.%20贝叶斯定理.ipynb)
* [02. 朴素贝叶斯分类器](贝叶斯/02.%20朴素贝叶斯分类器.ipynb)
* [03. 贝叶斯分类实例](贝叶斯/03.%20贝叶斯分类实例.ipynb)
* [04. 半朴素贝叶斯分类器](贝叶斯/04.%20半朴素贝叶斯分类器.ipynb)
* [05. 贝叶斯网](贝叶斯/05.%20贝叶斯网.ipynb)

#### 支持向量机

* [01. 什么是支持向量机](支持向量机/01.%20什么是支持向量机.ipynb)
* [02. 支持向量机的对偶问题](支持向量机/02.%20支持向量机的对偶问题.ipynb)
* [03. 硬间隔与软间隔](支持向量机/03.%20硬间隔与软间隔.ipynb)
* [04. 软间隔支持向量机的对偶问题](支持向量机/04.%20软间隔支持向量机的对偶问题.ipynb)
* [05. SMO 算法](支持向量机/05.%20SMO%20算法.ipynb)
* [06. Scikit Learn 中的 SVM](支持向量机/06.%20Scikit%20Learn%20中的%20SVM.ipynb)
* [07. 非线性支持向量机和核函数](支持向量机/07.%20非线性支持向量机和核函数.ipynb)
* [08. 非线性支持向量机实战](支持向量机/08.%20非线性支持向量机实战.ipynb)
* [09. 支持向量回归](支持向量机/09.%20支持向量回归.ipynb)

#### 神经网络

* [01. 感知机模型](神经网络/01.%20感知机模型.ipynb)
* [02. 神经元模型](神经网络/02.%20神经元模型.ipynb)
* [03. 从感知机到神经网络](神经网络/03.%20从感知机到神经网络.ipynb)
* [04. 反向传播算法](神经网络/04.%20反向传播算法.ipynb)
* [05. 其他神经网络](神经网络/05.%20其他神经网络.ipynb)

#### 集成学习

* [01. 什么是集成学习？](集成学习/01.%20什么是集成学习？.ipynb)
* [02. Boosting 算法](集成学习/02.%20Boosting%20算法.ipynb)
* [03. Bagging 算法](集成学习/03.%20Bagging%20算法.ipynb)
* [04. 随机森林](集成学习/04.%20随机森林.ipynb)
* [05. 个体学习器的多样性](集成学习/05.%20个体学习器的多样性.ipynb)

## 无监督学习

### 聚类

* [1. 什么是聚类](聚类/1.%20什么是聚类.ipynb)
* [2. 聚类算法一览](聚类/2.%20聚类算法一览.ipynb)
* [3. k-means 算法](聚类/3.%20k-means%20算法.ipynb)
* [4. DBSCAN 算法](聚类/4.%20DBSCAN%20算法.ipynb)
* [5. 层次聚类算法](聚类/5.%20层次聚类算法.ipynb)

### 降维

### 特征选择

### 概率估计

### 主题模型

### 图分析

ml-notes

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README