统计学习方法-代码

【实例简介】

第1章 统计学习方法概论

第2章 感知机

第3章 k近邻法

第4章 朴素贝叶斯

第5章 决策树

第6章 逻辑斯谛回归

第7章 支持向量机

第8章 提升方法

第9章 EM算法及其推广

第10章 隐马尔可夫模型

第11章 条件随机场

附录

   A 梯度下降法
   B 牛顿法和拟牛顿法
   C 拉格朗日对偶性
   D 反向传播

【实例截图】

【核心代码】

统计学习方法-代码

├── qrcode_for_BreakIntoAI.jpg
├── 第10章 隐马尔可夫模型
│   ├── HMM.ipynb
│   ├── HMM.py
│   └── Note_HMM.ipynb
├── 第11章 条件随机场
│   ├── CRF.ipynb
│   ├── CRF.py
│   └── Note_CRF.ipynb
├── 第1章 统计学习方法概论(LeastSquaresMethod)
│   ├── Note_introduction.ipynb
│   ├── least_sqaure_method.ipynb
│   └── least_sqaure_method.py
├── 第2章 感知机(Perceptron)
│   ├── Note_Perceptron.ipynb
│   ├── Perceptron.ipynb
│   └── Perceptron.py
├── 第3章 k近邻法(KNearestNeighbors)
│   ├── KNN.ipynb
│   ├── KNN.py
│   └── Note_kNN.ipynb
├── 第4章 朴素贝叶斯(NaiveBayes)
│   ├── Note_naive-Bayes.ipynb
│   ├── naive_Bayes.ipynb
│   └── naive_Bayes.py
├── 第5章 决策树(DecisionTree)
│   ├── Decision_Tree.ipynb
│   ├── Decision_Tree.py
│   └── Note_Decision-Tree.ipynb
├── 第6章 逻辑斯谛回归(LogisticRegression)
│   ├── LR.ipynb
│   ├── LR.py
│   └── Note_LogisticRegression_MaximumEntropyModel .ipynb
├── 第7章 支持向量机(SVM)
│   ├── Note_SVM.ipynb
│   ├── support-vector-machine.ipynb
│   └── support-vector-machine.py
├── 第8章 提升方法(AdaBoost)
│   ├── Adaboost.ipynb
│   ├── Adaboost.py
│   └── Note_boosting.ipynb
├── 第9章 EM算法及其推广(EM)
│   ├── EM.ipynb
│   ├── EM.py
│   └── Note_EM.ipynb
├── Ŀ¼.txt
└── 附录
    ├── A Gradient_descent.ipynb
    ├── B Newton_method.ipynb
    ├── C Lagrange_duaIity.ipynb
    └── D Backpropogation.ipynb

12 directories, 39 files