Python实现机器学习算法

GitHub上开源源码

项目目录如下：

一、线性回归
1、代价函数
2、梯度下降算法
3、均值归一化
4、最终运行结果
5、使用scikit-learn库中的线性模型实现
二、逻辑回归
1、代价函数
2、梯度
3、正则化
4、S型函数（即）
5、映射为多项式
6、使用的优化方法
7、运行结果
8、使用scikit-learn库中的逻辑回归模型实现
逻辑回归_手写数字识别_OneVsAll
1、随机显示100个数字
2、OneVsAll
3、手写数字识别
4、预测
5、运行结果
6、使用scikit-learn库中的逻辑回归模型实现
三、BP神经网络
1、神经网络model
2、代价函数
3、正则化
4、反向传播BP
5、BP可以求梯度的原因
6、梯度检查
7、权重的随机初始化
8、预测
9、输出结果
四、SVM支持向量机
1、代价函数
2、Large Margin
3、SVM Kernel（核函数）
4、使用中的模型代码
5、运行结果
五、K-Means聚类算法
1、聚类过程
2、目标函数
3、聚类中心的选择
4、聚类个数K的选择
5、应用——图片压缩
6、使用scikit-learn库中的线性模型实现聚类
7、运行结果
六、PCA主成分分析（降维）
1、用处
2、2D-->1D，nD-->kD
3、主成分分析PCA与线性回归的区别
4、PCA降维过程
5、数据恢复
6、主成分个数的选择（即要降的维度）
7、使用建议
8、运行结果
9、使用scikit-learn库中的PCA实现降维
七、异常检测 Anomaly Detection
1、高斯分布（正态分布）
2、异常检测算法
3、评价的好坏，以及的选取
4、选择使用什么样的feature（单元高斯分布）
5、多元高斯分布
6、单元和多元高斯分布特点
7、程序运行结果