DeepInDeeper / MachineLearningZeroToALL

机器学习算法(python)

放在前面，更新说明： (TODO) ipynb脚本需要添加必要的解释和说明，最好能够完成笔记和代码相结合。

更新代码，能在python2 和python3 运行
章节更改为ipynb，用来更好显示运行结果，方便查看。并在后期用来更好转换为pdf、html等格式，同时也添加更为详细的解释 原所有py文件修改，完善放置code文件夹下面，数据单独放在data文件夹下
readme.md 分章节下面，笔记增添 LSJU机器学习笔记
（TODO） 增添吴恩达机器学习课程python代码

Github 加载 .ipynb 的速度较慢，建议在这里中查看该项目。

requirement：

• scikit-learn >=0.19

机器学习算法Python实现

ipynb 学习目录

• 0 Basic Concept|基础概念
  • 概率论
• 1 Linear Regression|线性回归
  • 1.1 线性回归笔记
    • 1.1.1 LSJU笔记-监督学习应用
    • 1.1.2 LSJU笔记-线性模型概率解释、局部加权回归
    • 1.1.3 LSJU笔记-一般线性模型
    • 1.1.3 笔记
  • 1.2 线性回归的实现
  • 1.3 使用sklearn 线性回归
  • 1.4 Mxnet 实现线性回归
• 2 Logistic Regression|逻辑回归
  • 2.1 逻辑回归笔记
    • 2.1.1 LSJU笔记-分类问题、逻辑回归
    • 2.1.2 逻辑回归笔记
  • 2.2 逻辑回归的实现
  • 2.3 使用sklearn 逻辑回归
  • 2.4 逻辑回归识别手写数字
  • 2.5 使用sklearn 逻辑回归识别手写数字
• 3 Neural Network|神经网络
  • 3.1 神经网络笔记
  • 3.2 神经网络识别手写数字
• 4 SVM|支持向量机
  • 4.1 SVM笔记
  • 4.2 [SVM实现]
  • 4.3 使用sklearn SVM
• 5 K-Means|聚类
  • 5.1 K-Mean 聚类笔记
  • 5.2 K-Mean的实现
  • 5.3 使用sklearn K-Means
• 6 PCA|主成分分析
  • 6.1 PCA笔记
  • 6.2 PCA的实现
  • 6.3 使用sklearn PCA
• 7 Anomaly Detection|异常检测
  • 7.1 异常检测笔记
  • 7.2 异常检测实现
• 8 HMM|隐马尔可夫模型
  • 8.1 马尔科夫决策过程其他参考 这里
• 9 NaiveBayer|朴素贝叶斯
  • 9.1 笔记
    • 9.1.1 LSJU-生成学习算法、高斯判别分布、朴素贝叶斯算法

收藏！机器学习算法优缺点综述 + 七月在线实验室

• 正则化算法（Regularization Algorithms）

  • 例子
    • 岭回归（Ridge Regression）
    • 最小绝对收缩与选择算子（LASSO）
    • GLASSO
    • 弹性网络（Elastic Net）
    • 最小角回归（Least-Angle Regression）
  • 优点
    • 其惩罚会减少过拟合
    • 总会有解决方法
  • 缺点
    • 惩罚会造成欠拟合
    • 很难校准

• 集成算法（Ensemble Algorithms）

  • 例子
    • Boosting
    • Bootstrapped Aggregation（Bagging）
    • AdaBoost
    • 层叠泛化（Stacked Generalization）（blending）
    • 梯度推进机（Gradient Boosting Machines，GBM）
    • 梯度提升回归树（Gradient Boosted Regression Trees，GBRT）
    • 随机森林（Random Forest）
  • 优点
    • 当先最先进的预测几乎都使用了算法集成。它比使用单个模型预测出来的结果要精确的多
  • 缺点
    • 需要大量的维护工作

• 决策树算法（Decision Tree Algorithm）

  • 例子
    • 分类和回归树（Classification and Regression Tree，CART）
    • Iterative Dichotomiser 3（ID3）
    • C4.5 和 C5.0（一种强大方法的两个不同版本）
  • 优点
    • 容易解释
    • 非参数化
  • 缺点
    • 趋向过拟合
    • 可能或陷于局部最小值中
    • 没有在线学习

• 回归（Regression）

  • 例子
    • 普通最小二乘回归（Ordinary Least Squares Regression，OLSR）
    • 线性回归（Linear Regression）
    • 逻辑回归（Logistic Regression）
    • 逐步回归（Stepwise Regression）
    • 多元自适应回归样条（Multivariate Adaptive Regression Splines，MARS）
    • 本地散点平滑估计（Locally Estimated Scatterplot Smoothing，LOESS）
  • 优点
    • 直接、快速
    • 知名度高
  • 缺点
    • 要求严格的假设
    • 需要处理异常值

• 人工神经网络（Artificial Neural Network）

  • 例子
    • 感知器
    • 反向传播
    • Hopfield 网络
    • 径向基函数网络（Radial Basis Function Network，RBFN）
  • 优点：
    • 在语音、语义、视觉、各类游戏（如围棋）的任务中表现极好
    • 算法可以快速调整，适应新的问题
  • 缺点：
    • 需要大量数据进行训练
    • 训练要求很高的硬件配置
    • 模型处于「黑箱状态」，难以理解内部机制
    • 元参数（Metaparameter）与网络拓扑选择困难。

• 深度学习（Deep Learning）

  • 例子：
    • 深玻耳兹曼机（Deep Boltzmann Machine，DBM）
    • Deep Belief Networks（DBN）
    • 卷积神经网络（CNN）
    • Stacked Auto-Encoders
  • 优点/缺点：见神经网络

• 支持向量机（Support Vector Machine）

  • 优点
    • 在非线性可分问题上表现优秀
  • 缺点
    • 非常难以训练
    • 很难解释

• 降维算法（Dimensionality Reduction Algorithms）

  • 例子：
    • 主成分分析（Principal Component Analysis (PCA)）
    • 主成分回归（Principal Component Regression (PCR)）
    • 偏最小二乘回归（Partial Least Squares Regression (PLSR)）
    • Sammon 映射（Sammon Mapping）
    • 多维尺度变换（Multidimensional Scaling (MDS)）
    • 投影寻踪（Projection Pursuit）
    • 线性判别分析（Linear Discriminant Analysis (LDA)）
    • 混合判别分析（Mixture Discriminant Analysis (MDA)）
    • 二次判别分析（Quadratic Discriminant Analysis (QDA)）
    • 灵活判别分析（Flexible Discriminant Analysis (FDA)）
  • 优点：
    • 可处理大规模数据集
    • 无需在数据上进行假设
  • 缺点：
    • 难以搞定非线性数据
    • 难以理解结果的意义

• 聚类算法（Clustering Algorithms）

  • 例子：
    • K-均值（k-Means）
    • K-Medians 算法
    • Expectation–maximization（EM）
    • 分层集群（Hierarchical Clustering）
  • 优点：
    • 让数据变得有意义
  • 缺点：
    • 结果难以解读，针对不寻常的数据组，结果可能无用

• 基于实例的算法（Instance-based Algorithms）

  • 例子：
    • K 最近邻（k-Nearest Neighbor (kNN)）
    • 学习向量量化（Learning Vector Quantization (LVQ)）
    • 自组织映射（Self-Organizing Map (SOM)）
    • 局部加权学习（Locally Weighted Learning (LWL)）
  • 优点：
    • 算法简单、结果易于解读
  • 缺点：
    • 内存使用非常高
    • 计算成本高
    • 不可能用于高维特征空间

• 贝叶斯算法（Bayesian Algorithms）

  • 例子：
    • 朴素贝叶斯（Naive Bayer）
    • 高斯朴素贝叶斯（Gaussian Naive Bayer）
    • 多项式朴素贝叶斯（Multinomial Naive Bayer）
    • 平均一致依赖估计器（Averaged One—Dependence Estimators（AODE））
    • 贝叶斯网络（Bayeian Network（BN））
  • 优点
    • 快速、易于训练、给出了它们所需的资源能带来良好的表现
  • 缺点
    • 如果输入变量是相关的，则会出现问题

• 关联规则学习算法（Association Rule Learning Algorithms）

  • 例子
    • Apriori 算法（Apriori algorithm）
    • Eclat 算法（Eclat algorithm）
    • FP-growth

• 图模型（Graphical Models）

  • 例子：
    • 贝叶斯网络（Bayesian network）
    • 马尔可夫随机域（Markov random field）
    • 链图（Chain Graphs）
    • 祖先图（Ancestral graph）
  • 优点：
    • 模型清晰，能被直观地理解
  • 缺点：
    • 确定其依赖的拓扑很困难，有时候也很模糊

---