各位同学,7月17日-23日为七月在线4周年庆典
将送出总价值远超6万的实物大奖!
并送出100本纸质技术书籍!
你没有看错
送100本!
100本!
↓↓↓↓↓
(上述书籍可任选1本)
想要吗?不过数量有限!
100本技术类纸质书,送完即止
↓立刻扫码进群,参与活动↓
↑扫他↑
李航的《统计学习方法》可以说是机器学习的入门宝典,许多互联网企业的面试、笔试题目,很多都参考这本书。
前段时间,黄海广博士在自己的 GitHub 上又更新了《统计学习方法》的 Python 代码,就迫不及待地分享给大家。
《统计学习方法》第一版还是 2012 年出版的,包含了众多主要的监督学习算法与模型。
2019 年 5 月 1 日,《统计学习方法》第二版正式发布,通过 6 年时间的努力,在第一版的基础上又增加了无监督学习的主要算法与模型。
第二版的目录为:
第1篇 监督掌习
第1章统计学习及监督学习概论第2章感知机第3章k近邻法第4章朴素贝叶斯法第5章决策树第6章逻辑斯谛回归与优选熵模型第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章条件随机场第12章监督学习方法总结第2篇无监督学习第13章无监督学习概论第14章聚类方法第15章奇异值分解第16章主成分分析第17章潜在语义分析第18章概率潜在语义分析第19章马尔可夫链蒙特卡罗法
第20章 潜在狄利克雷分配
第21章 PageRank算法
第22章 无监督学习方法总结
附录A 梯度下降法
附录B 牛顿法和拟牛顿法
附录C 拉格朗日对偶性
附录D 矩阵的基本子空间
附录E KL散度的定义和狄利克雷分布的性质
针对新增加的内容,黄海广博士对原有的 GitHub 源码进行新内容的更新,直接放上地址:
https://github.com/fengdu78/lihang-code
本次修改了部分错误,增加了每章概述,更新完前 12 章,今后将增加第二版的内容。
修改主要错误包括:
第3章 k近邻法的max_count错误
第10章 隐马尔可夫模型的viterbi索引错误
增加的内容:
增加每章的概要
项目目前包含的内容截图如下:
目前,该项目已经收获 5000+ 的 star 了。
Python 代码
下面,以支持向量机为例,我们可以查阅 SVM 的完整示例代码:
class SVM:def __init__(self, max_iter=100, kernel='linear'):self.max_iter = max_iterself._kernel = kerneldef init_args(self, features, labels):self.m, self.n = features.shapeself.X = featuresself.Y = labelsself.b = 0.0# 将Ei保存在一个列表里self.alpha = np.ones(self.m)self.E = [self._E(i) for i in range(self.m)]# 松弛变量self.C = 1.0def _KKT(self, i):
y_g = self._g(i) * self.Y[i]if self.alpha[i] == 0:return y_g >= 1
elif 0 < self.alpha[i] < self.C:return y_g == 1else:return y_g <= 1# g(x)预测值,输入xi(X[i])def _g(self, i):
r = self.bfor j in range(self.m):
r += self.alpha[j] * self.Y[j] * self.kernel(self.X[i], self.X[j])return r# 核函数def kernel(self, x1, x2):if self._kernel == 'linear':return sum([x1[k] * x2[k] for k in range(self.n)])
elif self._kernel == 'poly':return (sum([x1[k] * x2[k] for k in range(self.n)]) + 1)**2return 0# E(x)为g(x)对输入x的预测值和y的差def _E(self, i):return self._g(i) - self.Y[i]def _init_alpha(self):# 外层循环首先遍历所有满足0
index_list = [i for i in range(self.m) if 0 < self.alpha[i] < self.C]# 否则遍历整个训练集
non_satisfy_list = [i for i in range(self.m) if i not in index_list]
index_list.extend(non_satisfy_list)for i in index_list:if self._KKT(i):
continue
E1 = self.E[i]# 如果E2是+,选择最小的;如果E2是负的,选择最大的if E1 >= 0:
j = min(range(self.m), key=lambda x: self.E[x])else:
j = max(range(self.m), key=lambda x: self.E[x])return i, jdef _compare(self, _alpha, L, H):if _alpha > H:return H
elif _alpha < L:return Lelse:return _alphadef fit(self, features, labels):self.init_args(features, labels)for t in range(self.max_iter):# train
i1, i2 = self._init_alpha()# 边界if self.Y[i1] == self.Y[i2]:
L = max(0, self.alpha[i1] + self.alpha[i2] - self.C)
H = min(self.C, self.alpha[i1] + self.alpha[i2])else:
L = max(0, self.alpha[i2] - self.alpha[i1])
H = min(self.C, self.C + self.alpha[i2] - self.alpha[i1])
E1 = self.E[i1]
E2 = self.E[i2]# eta=K11+K22-2K12
eta = self.kernel(self.X[i1], self.X[i1]) + self.kernel(self.X[i2],self.X[i2]) - 2 * self.kernel(self.X[i1], self.X[i2])if eta <= 0:# print('eta <= 0')
continue
alpha2_new_unc = self.alpha[i2] + self.Y[i2] * (
E1 - E2) / eta #此处有修改,根据书上应该是E1 - E2,书上130-131页
alpha2_new = self._compare(alpha2_new_unc, L, H)
alpha1_new = self.alpha[i1] + self.Y[i1] * self.Y[i2] * (self.alpha[i2] - alpha2_new)
b1_new = -E1 - self.Y[i1] * self.kernel(self.X[i1], self.X[i1]) * (
alpha1_new - self.alpha[i1]) - self.Y[i2] * self.kernel(self.X[i2],self.X[i1]) * (alpha2_new - self.alpha[i2]) + self.b
b2_new = -E2 - self.Y[i1] * self.kernel(self.X[i1], self.X[i2]) * (
alpha1_new - self.alpha[i1]) - self.Y[i2] * self.kernel(self.X[i2],self.X[i2]) * (alpha2_new - self.alpha[i2]) + self.bif 0 < alpha1_new < self.C:
b_new = b1_new
elif 0 < alpha2_new < self.C:
b_new = b2_newelse:# 选择中点
b_new = (b1_new + b2_new) / 2# 更新参数self.alpha[i1] = alpha1_newself.alpha[i2] = alpha2_newself.b = b_newself.E[i1] = self._E(i1)self.E[i2] = self._E(i2)return 'train done!'def predict(self, data):
r = self.bfor i in range(self.m):
r += self.alpha[i] * self.Y[i] * self.kernel(data, self.X[i])return 1 if r > 0 else -1def score(self, X_test, y_test):
right_count = 0for i in range(len(X_test)):
result = self.predict(X_test[i])if result == y_test[i]:
right_count += 1return right_count / len(X_test)def _weight(self):# linear model
yx = self.Y.reshape(-1, 1) * self.Xself.w = np.dot(yx.T, self.alpha)return self.w
其实,我看了下,项目中不仅包含 SVM 的示例代码,同时也有对应的读书笔记和概括总结。
《统计学习方法》课件
作者袁春:清华大学深圳研究生院,提供了第一版全书 12 章的 PPT 课件。
课件链接:
https://pan.baidu.com/s/1_boHMIg6DqS7bgFuxlWF7Q 提取码:ffxy
↑立刻扫码参与↑
而且除了100本纸质书的活动以外
还有5大活动等你
01重磅大奖,抽奖送!
7月17日-23日期间
每天都有机会拿走下列壕礼
宠AI你,没商量
8000+元的iphoneXS Max
2800+元的Apple Watch
2900+元的Apple iPad mini5
以及
价值2300+元的小米MIX3
价值1600+元的樱桃机械键盘
价值1500+元的小米扫地机器人
价值1200+元的AirPods
价值1200+元的VIVO Z3
价值1000+元的Kindle 8G电子书阅读器套装
价值近1000元的Bose无线耳机和小米净化器
以及、樱桃键盘、iReader 青春版
动心了吗?小七还没说完哪
小米电饭锅、飞利浦电动牙刷、京东购物卡
苹果原装耳机、小爱同学音箱mini
.
.
.
奖品已经堆成小山了
你,准备好吗?
活动期间最低可免费抽84次!
每买1个课程还可额外获得3次抽奖机会
(活动中有1元就可以购买的课程哦)
参与活动,及详细规则可进群查看
群内还将送100本纸质书哦!
↓数量有限,立刻进群↓
0 2大奖花落谁家?
大家是不是每次参与活动,都会在心里想着:
“我运气太差,估计拿不到大奖;
要是有一个靠实力的活动该有多好。”
想不想靠实力拿一次大奖?
靠实力拿奖品的AI水平测试来了!
前三名将获得售价3299元的VIP年会员
第一名额外拿到300元京东卡
第二名额外拿到200元京东卡
不清楚VIP年会员的价值的朋友
请往下看,保证你看完就动心
VIP年会员可免费学100+课程一整年
课程总价值近4万元
并且未来一年约20门
总价值近万元的课程也可以免费学
而且不仅包含课程
GPU&CPU双云平台也可以免费使用
VIP会员绝对是超级大奖,各类课程一步到位
并且这次活动可不光前三名有奖品哦
第4-6名可以任意挑选一门课程
第7-10名可以获得纸质书籍一本
03海量课程,低于1折!
近40门热销课程,低于1折
降价不降质!
悄悄的告诉大家
有6门课程支付1元定金后,到手价低至0元!
大家可以扫码进群查看,没准就有你想要的
群内还有100本纸质技术书等你!
↓数量有限,立刻进群↓
下面是部分课程,不含0元课程。
05两大特训营,学费全勤全返!
同学们,这可就是相当于0元学呀!
而且还有四大特权!
更有机器学习特训营,可以进群咨询
↓100本书,等你拿哦↓
AI如果耍起了心眼,人类就像个白痴......
面试官:“这10项都没准备好,你面试个啥?”