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
16_01_LDA_主题模型原理
16_02_LDA_Gibss采样实现
16_03_LDA_变分EM实现
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)
18_01_聚类_距离度量以及性能评估
18_02_聚类_层次聚类_AGNES
18_03_聚类_密度聚类_DBSCAN
18_04_聚类_原型聚类_K均值
18_05_聚类_原型聚类_LVQ
18_06_聚类_谱聚类
19_01_降维_奇异值分解(SVD)
19_02_降维_主成分分析(PCA)
19_03_降维_线性判别分析(LDA)
19_04_降维_多维缩放(MDS)
19_05_降维_流形学习_等度量映射(Isomap)
19_06_降维_流形学习_局部线性嵌入(LLE)
19_07_降维_非负矩阵分解_NMF
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>>>