统计学习、深度学习、强化学习Python复现

通过CSDN推广一下自己的github。链接如下:
https://github.com/vincen-github/mlimpl

优势

1. 几乎所有算法都已以class的方式做了集成, 内容涵盖统计学习(Statistical Learning)，深度学习(Deep Learning)，强化学习(Reinforcement Learning)的常见算法。
2. 代码中添加了详细的注释，用于阐明动机以帮助使用者理解算法或复现方式。此外，在注释中特别将需要注意的trick和trouble做了详尽阐述，若有问题可以通过Github或知乎connect。
3. 仿照numpy的格式书写了较为详细标准的文档。
4. 我查找了众多的Reference，在复现时参考个人认为最容易理解的Reference，并尽可能的保持代码与Reference的符号与术语一致，以降低学习成本。

本项目会持续更新与维护，如果对您有所帮助，请点一个star以示鼓励😜。

内容

目前已复现的算法包括:

1. 深度学习(Deep Learning)

   1. 人工神经网络 (by matlab)
   2. 卷积神经网络 (by tensorflow1)
   3. 人工神经网络 (by tensorflow1)
   4. 对抗样本(High Confidence Predictions for Unrecognizable Images)’
   5. Torch的自动求导机制(Autograd)
   6. 长短期记忆网络(LSTM)
   7. 变分自编码器(VAE)

2. 强化学习(Reinforcement Learning)

   1. esplision-贪心算法( esplision-greedy )
   2. 上置信界(UCB)
   3. Markov决策过程(Markov Decision Process)
   4. 策略梯度算法(Policy Gradient)
   5. 策略迭代算法(Policy Iteration)
   6. 时序差分算法(Temporal Difference)
   7. Q-学习(Q-Learning)
   8. 深度Q-学习网络(Deep Q Network(DQN))

3. 统计学习(Statistical Learning)

   1. 线性模型(Linear Model)
   2. Lasso和Ridge， ℓ half regularity
   3. 决策树(Decision Tree)
   4. 朴素贝叶斯(Naive Bayes)
   5. 支持向量机(SVM)
   6. K均值聚类++(KMeans++)
   7. 拒绝性抽样(Rejection Sampling)
   8. XGBoost
   9. 随机森林(Random Forest)
   10. 高斯混合模型(GMM)
   11. Markov链Monte Carlo(MCMC)
   12. 谱聚类(Spectral Clustering)