ML_Notes - 对目前主流的机器学习算法进行公式推导、问题分析以及代码实现（主要基于numpy）

机器学习笔记 对目前主流的机器学习算法进行公式推导、问题分析以及代码实现（主要基于numpy），持续更新（下面链接如果加载不出来，对应内容可在notebooks文件夹下找到）： 01_线性模型_线性回归 01_线性模型_线性回归_正则化(Lasso,Ridge,ElasticNet) 02_线性模型_逻辑回归 03_二分类转多分类的一般实现 04_线性模型_感知机 05_线性模型_最大熵模型 06_优化_拟牛顿法实现(DFP,BFGS) 07_01_svm_硬间隔支持向量机与SMO 07_02_svm_软间隔支持向量机 07_03_svm_核函数与非线性支持向量机 08_代价敏感学习_添加sample_weight支持 09_01_决策树_ID3与C4.5 09_02_决策树_CART 10_01_集成学习_简介 10_02_集成学习_boosting_adaboost_classifier 10_03_集成学习_boosting_adaboost_regressor 10_04_集成学习_boosting_提升树 10_05_集成学习_boosting_gbm_regressor 10_06_集成学习_boosting_gbm_classifier 10_07_集成学习_bagging 10_08_集成学习_bagging_randomforest 10_09_集成学习_bagging_高阶组合_stacking 10_10_集成学习_xgboost_原理介绍及回归树的简单实现 10_11_集成学习_xgboost_回归的简单实现 10_12_集成学习_xgboost_回归的更多实现：泊松回归、gamma回归、tweedie回归 10_13_集成学习_xgboost_分类的简单实现 10_14_集成学习_xgboost_优化介绍 10_15_集成学习_lightgbm_进一步优化 10_16_集成学习_dart_提升树与dropout的碰撞 10_17_集成学习_树模型的可解释性_模型的特征重要性及样本的特征重要性(sabaas,shap,tree shap) 11_01_EM_GMM引入问题 11_02_EM_算法框架 11_03_EM_GMM聚类实现 11_04_EM_GMM分类实现及其与LogisticRegression的关系 12_01_PGM_贝叶斯网(有向无环图)初探 12_02_PGM_朴素贝叶斯分类器实现 12_03_PGM_半朴素贝叶斯分类器实现 12_04_PGM_朴素贝叶斯的聚类实现 12_05_PGM_马尔科夫链_初探及代码实现 12_06_PGM_马尔科夫链_语言模型及文本生成 12_07_PGM_马尔科夫链_PageRank算法 12_08_PGM_HMM_隐马模型：介绍及概率计算（前向、后向算法） 12_09_PGM_HMM_隐马模型：参数学习（有监督、无监督） 12_10_PGM_HMM_隐马模型：隐状态预测 12_11_PGM_HMM_隐马模型实战：中文分词 12_12_PGM_马尔科夫随机场（无向图）介绍 12_13_PGM_CRF_条件随机场：定义及形式（简化、矩阵形式） 12_14_PGM_CRF_条件随机场：如何定义特征函数 12_15_PGM_CRF_条件随机场：概率及期望值计算（前向后向算法） 12_16_PGM_CRF_条件随机场：参数学习 12_17_PGM_CRF_条件随机场：标签预测 12_18_PGM_CRF_代码优化及中文分词实践 12_19_PGM_CRF与HMM之间的区别与联系 13_01_sampling_为什么要采样（求期望、积分等） 13_02_sampling_MC采样：接受-拒绝采样、重要采样 13_03_sampling_MCMC：采样原理（再探马尔可夫链） 13_04_sampling_MCMC：MH采样的算法框架 13_05_sampling_MCMC：单分量MH采样算法 13_06_sampling_MCMC：Gibbs采样算法 14_01_概率分布：二项分布及beta分布 14_02_概率分布：多项分布及狄利克雷分布 14_03_概率分布：高斯分布（正态分布）及其共轭先验 14_04_概率分布：指数族分布 15_01_VI_变分推断的原理推导 15_02_VI_变分推断与EM的关系 15_03_VI_一元高斯分布的变分推断实现 15_04_VI_高斯混合模型（GMM）的变分推断实现 15_05_VI_线性回归模型的贝叶斯估计推导 15_06_VI_线性回归模型的贝叶斯估计实现：证据近似 15_07_VI_线性回归模型的变分推断实现 15_08_VI_线性回归模型的贝叶斯估计实现：进一步扩展VI 17_01_FM_因子分解机的原理介绍及实现 17_02_FM_FFM的原理介绍及实现 17_03_FM_FFM的损失函数扩展(possion,gamma,tweedie回归实现以及分类实现) 参考 《统计学习方法》第二版 --李航 《机器学习》 --周志华 《深入理解XGBoost》 --何龙 《模式识别与机器学习》（PRML） 《徐亦达机器学习课程》 bilibili传送门>>> 《机器学习—白板推导系列》 bilibili传送门>>>

github地址：https://github.com/zhulei227/ML_Notes