ljpzzz/machinelearning

This is stars and forks stats for /ljpzzz/machinelearning repository. As of 29 Apr, 2024 this repository has 7827 stars and 3684 forks.

刘建平Pinard的博客配套代码 http://www.cnblogs.com/pinard 刘建平Pinard 之前不少朋友反应我博客中的代码都是连续的片段，不好学习，因此这里把文章和代码做一个整理。 代码有部分来源于网络，已加上相关方版权信息。部分为自己原创，已加上我的版权信息。 目录 机器学习基础与回归算法 机器学习分类算法 机器学习聚类算法 机器学习降维算法 机器学习集成学习算法 数学统计学 机器学习关联算法 机器学习推荐算法 深度学习算法 自然语言处理算法 强化学习算法 特征工程与算法落地 注意 2016-2017年写的博客使用的python版本是2.7， 2018年因为TensorFlow对Python3的一些要求，所以写博客使用的Python版本是3.6。少部分2016，2017年的博客代码无法找到，重新用Python3.6跑过上传，因此可能会出现和博客中代码稍有不一致的地方，主要涉及到print的语法和range的用法，若遇到问题，稍微修改即可跑通。 赞助我 强化学习文章与代码：: 文章 代码 强化学习（一）模型基础 代码 强化学习（二）马尔科夫决策过程(MDP) 无 强化学习（三）用动态规划（DP）求解 无 强化学习（四）用蒙特卡罗法（MC）求解 无 强化学习（五）用时序差分法（TD）求解 无 强化学习（六）时序差分在线控制算法SARSA 代码 强化学习（七）时序差分离线控制算法Q-Learning 代码 强化学习（八）价值函数的近似表示与Deep Q-Learning 代码 强化学习（九）Deep Q-Learning进阶之Nature DQN 代码 强化学习（十）Double DQN (DDQN) 代码 强化学习(十一) Prioritized Replay DQN 代码 强化学习(十二) Dueling DQN 代码 强化学习(十三) 策略梯度(Policy Gradient) 代码 强化学习(十四) Actor-Critic 代码 强化学习(十五) A3C 代码 强化学习(十六) 深度确定性策略梯度(DDPG) 代码 强化学习(十七) 基于模型的强化学习与Dyna算法框架 无 强化学习(十八) 基于模拟的搜索与蒙特卡罗树搜索(MCTS) 无 强化学习(十九) AlphaGo Zero强化学习原理 无 机器学习基础与回归算法文章与代码： 文章 代码 梯度下降（Gradient Descent）小结 无 最小二乘法小结 无 交叉验证(Cross Validation)原理小结 无 精确率与召回率，RoC曲线与PR曲线 无 线性回归原理小结 无 机器学习研究与开发平台的选择 无 scikit-learn 和pandas 基于windows单机机器学习环境的搭建 无 用scikit-learn和pandas学习线性回归 代码 Lasso回归算法： 坐标轴下降法与最小角回归法小结 无 用scikit-learn和pandas学习Ridge回归 代码1 代码2 scikit-learn 线性回归算法库小结 无 异常点检测算法小结 无 机器学习分类算法文章与代码： 文章 代码 逻辑回归原理小结 无 scikit-learn 逻辑回归类库使用小结 无 感知机原理小结 无 决策树算法原理(上) 无 决策树算法原理(下) 无 scikit-learn决策树算法类库使用小结 代码1 代码2 K近邻法(KNN)原理小结 无 scikit-learn K近邻法类库使用小结 代码 朴素贝叶斯算法原理小结 无 scikit-learn 朴素贝叶斯类库使用小结 代码 最大熵模型原理小结 无 支持向量机原理(一) 线性支持向量机 无 支持向量机原理(二) 线性支持向量机的软间隔最大化模型 无 支持向量机原理(三)线性不可分支持向量机与核函数 无 支持向量机原理(四)SMO算法原理 无 支持向量机原理(五)线性支持回归 无 scikit-learn 支持向量机算法库使用小结 无 支持向量机高斯核调参小结 代码 数学统计学文章与代码： 文章 代码 机器学习算法的随机数据生成 代码 MCMC(一)蒙特卡罗方法 无 MCMC(二)马尔科夫链 代码 MCMC(三)MCMC采样和M-H采样 代码 MCMC(四)Gibbs采样 代码 机器学习中的矩阵向量求导(一) 求导定义与求导布局 无 机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法 无 机器学习中的矩阵向量求导(三) 矩阵向量求导之微分法 无 机器学习中的矩阵向量求导(四) 矩阵向量求导链式法则 无 机器学习中的矩阵向量求导(五) 矩阵对矩阵的求导 无 机器学习集成学习文章与代码： 文章 代码 集成学习原理小结 无 集成学习之Adaboost算法原理小结 无 scikit-learn Adaboost类库使用小结 代码 梯度提升树(GBDT)原理小结 无 scikit-learn 梯度提升树(GBDT)调参小结 代码 Bagging与随机森林算法原理小结 无 scikit-learn随机森林调参小结 代码 XGBoost算法原理小结 无 XGBoost类库使用小结 代码 机器学习聚类算法文章与代码： 文章 代码 K-Means聚类算法原理 无 用scikit-learn学习K-Means聚类 代码 BIRCH聚类算法原理 无 用scikit-learn学习BIRCH聚类 代码 DBSCAN密度聚类算法 无 用scikit-learn学习DBSCAN聚类 代码 谱聚类（spectral clustering）原理总结 无 用scikit-learn学习谱聚类 代码 机器学习降维算法文章与代码： 文章 代码 主成分分析（PCA）原理总结 无 用scikit-learn学习主成分分析(PCA) 代码 线性判别分析LDA原理总结 无 用scikit-learn进行LDA降维 代码 奇异值分解(SVD)原理与在降维中的应用 无 局部线性嵌入(LLE)原理总结 无 用scikit-learn研究局部线性嵌入(LLE) 代码 机器学习关联算法文章与代码： 文章 代码 典型关联分析(CCA)原理总结 无 Apriori算法原理总结 无 FP Tree算法原理总结 无 PrefixSpan算法原理总结 无 用Spark学习FP Tree算法和PrefixSpan算法 代码 日志和告警数据挖掘经验谈 无 机器学习推荐算法文章与代码： 文章 代码 协同过滤推荐算法总结 无 矩阵分解在协同过滤推荐算法中的应用 无 SimRank协同过滤推荐算法 无 用Spark学习矩阵分解推荐算法 代码 分解机(Factorization Machines)推荐算法原理 无 贝叶斯个性化排序(BPR)算法小结 无 用tensorflow学习贝叶斯个性化排序(BPR) 代码 深度学习算法文章与代码： 文章 代码 深度神经网络（DNN）模型与前向传播算法 无 深度神经网络（DNN）反向传播算法(BP) 无 深度神经网络（DNN）损失函数和激活函数的选择 无 深度神经网络（DNN）的正则化 无 卷积神经网络(CNN)模型结构 无 卷积神经网络(CNN)前向传播算法 无 卷积神经网络(CNN)反向传播算法 无 循环神经网络(RNN)模型与前向反向传播算法 无 LSTM模型与前向反向传播算法 无 受限玻尔兹曼机（RBM）原理总结 无 自然语言处理文章与代码： 文章 代码 文本挖掘的分词原理 无 文本挖掘预处理之向量化与Hash Trick 代码 文本挖掘预处理之TF-IDF 代码 中文文本挖掘预处理流程总结 代码 英文文本挖掘预处理流程总结 代码 文本主题模型之潜在语义索引(LSI) 无 文本主题模型之非负矩阵分解(NMF) 代码 文本主题模型之LDA(一) LDA基础 无 文本主题模型之LDA(二) LDA求解之Gibbs采样算法 无 文本主题模型之LDA(三) LDA求解之变分推断EM算法 无 用scikit-learn学习LDA主题模型 代码 EM算法原理总结 无 隐马尔科夫模型HMM（一）HMM模型 无 隐马尔科夫模型HMM（二）前向后向算法评估观察序列概率 无 隐马尔科夫模型HMM（三）鲍姆-韦尔奇算法求解HMM参数 无 隐马尔科夫模型HMM（四）维特比算法解码隐藏状态序列 无 用hmmlearn学习隐马尔科夫模型HMM 代码 条件随机场CRF(一)从随机场到线性链条件随机场 无 条件随机场CRF(二) 前向后向算法评估标记序列概率 无 条件随机场CRF(三) 模型学习与维特比算法解码 无 word2vec原理(一) CBOW与Skip-Gram模型基础 无 word2vec原理(二) 基于Hierarchical Softmax的模型 无 word2vec原理(三) 基于Negative Sampling的模型 无 用gensim学习word2vec 代码 特征工程与算法落地文章与代码： 文章 代码 特征工程之特征选择 无 特征工程之特征表达 无 特征工程之特征预处理 无 用PMML实现机器学习模型的跨平台上线 代码 tensorflow机器学习模型的跨平台上线 代码 赞助我 你的支持是我写作的动力(1.微信/2.支付宝)： License MIT.