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