machinelearning

by ljpzzz

My blogs and code for machine learning. http://cnblogs.com/pinard

4.7K Stars 2.6K Forks Last release: Not found MIT License 90 Commits 0 Releases

Available items

No Items, yet!

The developer of this repository has not created any items for sale yet. Need a bug fixed? Help with integration? A different license? Create a request here:

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

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):

微信赞助

支付宝赞助

License MIT.

We use cookies. If you continue to browse the site, you agree to the use of cookies. For more information on our use of cookies please see our Privacy Policy.