机器学习公式推导以及解析

机器学习公式推导与代码实现 在实际工作和研究中，封装好的简单易用的 package 给我们的工作带来了莫大的便利，大大提高了我们机器学习模型和算法的实现效率。但这仅限于使用过程中。数学推导+纯numpy实现。 1. 线性回归 2. 逻辑回归 3. k 近邻 4. 决策树 ID3 算法 5. 决策树 CART 算法 6. 感知机 7. 神经网络 8. 线性可分支持向量机 9. 线性支持向量机 10. 线性不可分支持向量 11. 朴素贝叶斯 12. 贝叶斯网络 13. Lasso 14. Ridge 15. GBDT 16. AdaBoost 17. XGBoost 18. LightGBM 19. CatBoost 20. 随机森林 21. 最大信息熵模型 22. EM 算法. 23. CRF 条件随机场 24. HMM 隐马尔可夫模型 25. k-means 聚类 26. PCA 主成分分析 27. LDA 线性判别分析

【机器学习学习资料】机器学习：公式推导与代码实现（附代码+数据）.zip

手写笔记ptf格式，模型包括：线性回归、逻辑回归、支持向量机、KNN、Kmeans、BP神经网络、PCA、聚类算法等

资源包含一个非常详细的机器学习总结xmind源文件，可用xmind打开编辑和学习。非常详细的公式推导，有效帮助快速建立机器学习知识体系，为深度学习打下见识的基础。 总结内容：绪论、模型评估与选择、线性模型、支持向量机、贝叶斯分类器、集成学习、深度学习