实例介绍
全面系统地介绍了统计学习的主要方法,特别是监督学习方法,包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外,每章介绍一种方法。叙述从具体问题或实例入手,由浅入深,阐明思路,给出必要的数学推导,便于读者掌握统计学习方法的实质,学会运用。为满足读者进一步学习的需要,书中还介绍了一些相关研究,给出了少量习题,列出了主要参考文献。
【实例截图】
【核心代码】
16359647922589135586.zip
└── 统计学习方法及代码实现(Python)
├── code
│ ├── gongzhong.jpg
│ ├── readme.md
│ ├── 第10章 隐马尔可夫模型(HMM)
│ │ └── HMM.ipynb
│ ├── 第11章 条件随机场(CRF)
│ │ └── CRF.ipynb
│ ├── 第1章 统计学习方法概论(LeastSquaresMethod)
│ │ └── least_sqaure_method.ipynb
│ ├── 第2章 感知机(Perceptron)
│ │ └── Iris_perceptron.ipynb
│ ├── 第3章 k近邻法(KNearestNeighbors)
│ │ ├── KDT.py
│ │ └── KNN.ipynb
│ ├── 第4章 朴素贝叶斯(NaiveBayes)
│ │ └── GaussianNB.ipynb
│ ├── 第5章 决策树(DecisonTree)
│ │ ├── Decision Tree (ID3 剪枝)
│ │ ├── DT.ipynb
│ │ └── mytree.pdf
│ ├── 第6章 逻辑斯谛回归(LogisticRegression)
│ │ ├── LR.ipynb
│ │ └── 最大熵模型 IIS.py
│ ├── 第7章 支持向量机(SVM)
│ │ └── support-vector-machine.ipynb
│ ├── 第8章 提升方法(AdaBoost)
│ │ └── Adaboost.ipynb
│ └── 第9章 EM算法及其推广(EM)
│ └── em.ipynb
├── readme.txt
└── 统计学习方法.pdf
13 directories, 19 files
标签:
小贴士
感谢您为本站写下的评论,您的评论对其它用户来说具有重要的参考价值,所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字,对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙,所以请不要反馈意义不大的重复字符,也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明,或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦,又没人会搭理,于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享,对搜索内容的合法性不具有预见性、识别性、控制性,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论平台是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定,若资源存在侵权或相关问题请联系本站客服人员,点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论