|
..
|
|
data
|
|
source
|
|
01_线性模型_线性回归.ipynb
|
|
01_线性模型_线性回归_正则化(Lasso,Ridge,ElasticNet).ipynb
|
|
02_线性模型_逻辑回归.ipynb
|
|
03_二分类转多分类的一般实现.ipynb
|
|
04_线性模型_感知机.ipynb
|
|
05_线性模型_最大熵模型.ipynb
|
|
06_优化_拟牛顿法实现(DFP,BFGS).ipynb
|
|
07_01_svm_硬间隔支持向量机与SMO.ipynb
|
|
07_02_svm_软间隔支持向量机.ipynb
|
|
07_03_svm_核函数与非线性支持向量机.ipynb
|
|
08_代价敏感学习_添加sample_weight支持.ipynb
|
|
09_01_决策树_ID3与C4.5.ipynb
|
|
09_02_决策树_CART.ipynb
|
|
10_01_集成学习_简介.ipynb
|
|
10_02_集成学习_boosting_adaboost_classifier.ipynb
|
|
10_03_集成学习_boosting_adaboost_regressor.ipynb
|
|
10_04_集成学习_boosting_提升树.ipynb
|
|
10_05_集成学习_boosting_gbm_regressor.ipynb
|
|
10_06_集成学习_boosting_gbm_classifier.ipynb
|
|
10_07_集成学习_bagging.ipynb
|
|
10_08_集成学习_bagging_randomforest.ipynb
|
|
10_09_集成学习_bagging_高阶组合_stacking.ipynb
|
|
10_10_集成学习_xgboost_原理介绍及回归树的简单实现.ipynb
|
|
10_11_集成学习_xgboost_回归的简单实现.ipynb
|
|
10_12_集成学习_xgboost_回归的更多实现：泊松回归、gamma回归、tweedie回归.ipynb
|
|
10_13_集成学习_xgboost_分类的简单实现.ipynb
|
|
10_14_集成学习_xgboost_优化介绍.ipynb
|
|
10_15_集成学习_lightgbm_进一步优化.ipynb
|
|
10_16_集成学习_dart_提升树与dropout的碰撞.ipynb
|
|
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).ipynb
|
|
11_01_EM_GMM引入问题.ipynb
|
|
11_02_EM_算法框架.ipynb
|
|
11_03_EM_GMM聚类实现.ipynb
|
|
11_04_EM_GMM分类实现及其与LogisticRegression的关系.ipynb
|
|
12_01_PGM_贝叶斯网(有向无环图)初探.ipynb
|
|
12_02_PGM_朴素贝叶斯分类器实现.ipynb
|
|
12_03_PGM_半朴素贝叶斯分类器实现.ipynb
|
|
12_04_PGM_朴素贝叶斯的聚类实现.ipynb
|
|
12_05_PGM_马尔科夫链_初探及代码实现.ipynb
|
|
12_06_PGM_马尔科夫链_语言模型及文本生成.ipynb
|
|
12_07_PGM_马尔科夫链_PageRank算法.ipynb
|
|
12_08_PGM_HMM_隐马模型：介绍及概率计算（前向、后向算法）.ipynb
|
|
12_09_PGM_HMM_隐马模型：参数学习（有监督、无监督）.ipynb
|
|
12_10_PGM_HMM_隐马模型：隐状态预测.ipynb
|
|
12_11_PGM_HMM_隐马模型实战：中文分词.ipynb
|
|
12_12_PGM_马尔科夫随机场（无向图）介绍.ipynb
|
|
12_13_PGM_CRF_条件随机场：定义及形式（简化、矩阵形式）.ipynb
|
|
12_14_PGM_CRF_条件随机场：如何定义特征函数.ipynb
|
|
12_15_PGM_CRF_条件随机场：概率及期望值计算（前向后向算法）.ipynb
|
|
12_16_PGM_CRF_条件随机场：参数学习.ipynb
|
|
12_17_PGM_CRF_条件随机场：标签预测.ipynb
|
|
12_18_PGM_CRF_代码优化及中文分词实践.ipynb
|
|
12_19_PGM_CRF与HMM之间的区别与联系.ipynb
|
|
13_01_sampling_为什么要采样（求期望、积分等）.ipynb
|
|
13_02_sampling_MC采样：接受-拒绝采样、重要采样.ipynb
|
|
13_03_sampling_MCMC：采样原理（再探马尔可夫链）.ipynb
|
|
13_04_sampling_MCMC：MH采样的算法框架.ipynb
|
|
13_05_sampling_MCMC：单分量MH采样算法.ipynb
|
|
13_06_sampling_MCMC：Gibbs采样算法.ipynb
|
|
14_01_概率分布：二项分布及beta分布.ipynb
|
|
14_02_概率分布：多项分布及狄利克雷分布.ipynb
|
|
14_03_概率分布：高斯分布（正态分布）及其共轭先验.ipynb
|
|
14_04_概率分布：指数族分布.ipynb
|
|
15_01_VI_变分推断的原理推导.ipynb
|
|
15_02_VI_变分推断与EM的关系.ipynb
|
|
15_03_VI_一元高斯分布的变分推断实现.ipynb
|
|
15_04_VI_高斯混合模型（GMM）的变分推断实现.ipynb
|
|
15_05_VI_线性回归模型的贝叶斯估计推导.ipynb
|
|
15_06_VI_线性回归模型的贝叶斯估计实现：证据近似.ipynb
|
|
15_07_VI_线性回归模型的变分推断实现.ipynb
|
|
15_08_VI_线性回归模型的贝叶斯估计实现：进一步扩展VI.ipynb
|
|
15_09_VI_拉普拉斯近似.ipynb
|
|
16_01_LDA_主题模型原理.ipynb
|
|
16_02_LDA_Gibss采样实现.ipynb
|
|
16_03_LDA_变分EM实现.ipynb
|
|
17_01_FM_因子分解机的原理介绍及实现.ipynb
|
|
17_02_FM_FFM的原理介绍及实现.ipynb
|
|
17_03_FM_FFM的损失函数扩展(possion,gamma,tweedie回归实现以及分类实现).ipynb
|
|
18_01_聚类_距离度量以及性能评估.ipynb
|
|
18_02_聚类_层次聚类_AGNES.ipynb
|
|
18_03_聚类_密度聚类_DBSCAN.ipynb
|
|
18_04_聚类_原型聚类_K均值.ipynb
|
|
18_05_聚类_原型聚类_LVQ.ipynb
|
|
18_06_聚类_谱聚类.ipynb
|
|
19_01_降维_奇异值分解(SVD).ipynb
|
|
19_02_降维_主成分分析(PCA).ipynb
|
|
19_03_降维_线性判别分析(LDA).ipynb
|
|
19_04_降维_多维缩放(MDS).ipynb
|
|
19_05_降维_流形学习_等度量映射(Isomap).ipynb
|
|
19_06_降维_流形学习_局部线性嵌入(LLE).ipynb
|
|
19_07_降维_非负矩阵分解_NMF.ipynb
|
|
20_01_异常检测_HBOS.ipynb
|
|
20_01_异常检测_pHBOS.ipynb
|
|
20_02_异常检测_iForest.ipynb
|
|
20_03_异常检测_KNN.ipynb
|
|
20_04_异常检测_LOF.ipynb
|