刘建平Pinard的博客配套代码

刘建平Pinard的博客配套代码

http://www.cnblogs.com/pinard 刘建平Pinard

目录

  • 机器学习基础与回归算法

  • 机器学习分类算法

  • 机器学习聚类算法

  • 机器学习降维算法

  • 机器学习集成学习算法

  • 数学统计学

  • 机器学习关联算法

  • 机器学习推荐算法

  • 深度学习算法

  • 自然语言处理算法

  • 强化学习算法

  • 特征工程与算法落地

强化学习文章与代码::

文章 代码
强化学习(一)模型基础 代码
强化学习(二)马尔科夫决策过程(MDP)
强化学习(三)用动态规划(DP)求解
强化学习(四)用蒙特卡罗法(MC)求解
强化学习(五)用时序差分法(TD)求解
强化学习(六)时序差分在线控制算法SARSA 代码
强化学习(七)时序差分离线控制算法Q-Learning 代码
强化学习(八)价值函数的近似表示与Deep Q-Learning 代码
强化学习(九)Deep Q-Learning进阶之Nature DQN 代码
强化学习(十)Double DQN (DDQN) 代码
强化学习(十一) Prioritized Replay DQN 代码
强化学习(十二) Dueling DQN 代码
强化学习(十三) 策略梯度(Policy Gradient) 代码
强化学习(十四) Actor-Critic 代码
强化学习(十五) A3C 代码
强化学习(十六) 深度确定性策略梯度(DDPG) 代码
强化学习(十七) 基于模型的强化学习与Dyna算法框架
强化学习(十八) 基于模拟的搜索与蒙特卡罗树搜索(MCTS)
强化学习(十九) AlphaGo Zero强化学习原理

机器学习基础与回归算法文章与代码:

文章 代码
梯度下降(Gradient Descent)小结
最小二乘法小结
交叉验证(Cross Validation)原理小结
精确率与召回率,RoC曲线与PR曲线
线性回归原理小结
机器学习研究与开发平台的选择
scikit-learn 和pandas 基于windows单机机器学习环境的搭建
用scikit-learn和pandas学习线性回归 代码
Lasso回归算法: 坐标轴下降法与最小角回归法小结
用scikit-learn和pandas学习Ridge回归 代码1 代码2
scikit-learn 线性回归算法库小结
异常点检测算法小结

机器学习分类算法文章与代码:

文章 代码
逻辑回归原理小结
scikit-learn 逻辑回归类库使用小结
感知机原理小结
决策树算法原理(上)
决策树算法原理(下)
scikit-learn决策树算法类库使用小结 代码1 代码2
K近邻法(KNN)原理小结
scikit-learn K近邻法类库使用小结 代码
朴素贝叶斯算法原理小结
scikit-learn 朴素贝叶斯类库使用小结 代码
最大熵模型原理小结
支持向量机原理(一) 线性支持向量机
支持向量机原理(二) 线性支持向量机的软间隔最大化模型
支持向量机原理(三)线性不可分支持向量机与核函数
支持向量机原理(四)SMO算法原理
支持向量机原理(五)线性支持回归
scikit-learn 支持向量机算法库使用小结
支持向量机高斯核调参小结 代码

数学统计学文章与代码:

文章 代码
机器学习算法的随机数据生成 代码
MCMC(一)蒙特卡罗方法
MCMC(二)马尔科夫链 代码
MCMC(三)MCMC采样和M-H采样 代码
MCMC(四)Gibbs采样 代码
机器学习中的矩阵向量求导(一) 求导定义与求导布局
机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法
机器学习中的矩阵向量求导(三) 矩阵向量求导之微分法
机器学习中的矩阵向量求导(四) 矩阵向量求导链式法则
机器学习中的矩阵向量求导(五) 矩阵对矩阵的求导

机器学习集成学习文章与代码:

文章 代码
集成学习原理小结
集成学习之Adaboost算法原理小结
scikit-learn Adaboost类库使用小结 代码
梯度提升树(GBDT)原理小结
scikit-learn 梯度提升树(GBDT)调参小结 代码
Bagging与随机森林算法原理小结
scikit-learn随机森林调参小结 代码
XGBoost算法原理小结
XGBoost类库使用小结 代码

机器学习聚类算法文章与代码:

文章 代码
K-Means聚类算法原理
用scikit-learn学习K-Means聚类 代码
BIRCH聚类算法原理
用scikit-learn学习BIRCH聚类 代码
DBSCAN密度聚类算法
用scikit-learn学习DBSCAN聚类 代码
谱聚类(spectral clustering)原理总结
用scikit-learn学习谱聚类 代码

机器学习降维算法文章与代码:

文章 代码
主成分分析(PCA)原理总结
用scikit-learn学习主成分分析(PCA) 代码
线性判别分析LDA原理总结
用scikit-learn进行LDA降维 代码
奇异值分解(SVD)原理与在降维中的应用
局部线性嵌入(LLE)原理总结
用scikit-learn研究局部线性嵌入(LLE) 代码

机器学习关联算法文章与代码:

文章 代码
典型关联分析(CCA)原理总结
Apriori算法原理总结
FP Tree算法原理总结
PrefixSpan算法原理总结
用Spark学习FP Tree算法和PrefixSpan算法 代码
日志和告警数据挖掘经验谈

机器学习推荐算法文章与代码:

文章 代码
协同过滤推荐算法总结
矩阵分解在协同过滤推荐算法中的应用
SimRank协同过滤推荐算法
用Spark学习矩阵分解推荐算法 代码
分解机(Factorization Machines)推荐算法原理
贝叶斯个性化排序(BPR)算法小结
用tensorflow学习贝叶斯个性化排序(BPR) 代码

深度学习算法文章与代码:

文章 代码
深度神经网络(DNN)模型与前向传播算法
深度神经网络(DNN)反向传播算法(BP)
深度神经网络(DNN)损失函数和激活函数的选择
深度神经网络(DNN)的正则化
卷积神经网络(CNN)模型结构
卷积神经网络(CNN)前向传播算法
卷积神经网络(CNN)反向传播算法
循环神经网络(RNN)模型与前向反向传播算法
LSTM模型与前向反向传播算法
受限玻尔兹曼机(RBM)原理总结

自然语言处理文章与代码:

文章 代码
文本挖掘的分词原理
文本挖掘预处理之向量化与Hash Trick 代码
文本挖掘预处理之TF-IDF 代码
中文文本挖掘预处理流程总结 代码
英文文本挖掘预处理流程总结 代码
文本主题模型之潜在语义索引(LSI)
文本主题模型之非负矩阵分解(NMF) 代码
文本主题模型之LDA(一) LDA基础
文本主题模型之LDA(二) LDA求解之Gibbs采样算法
文本主题模型之LDA(三) LDA求解之变分推断EM算法
用scikit-learn学习LDA主题模型 代码
EM算法原理总结
隐马尔科夫模型HMM(一)HMM模型
隐马尔科夫模型HMM(二)前向后向算法评估观察序列概率
隐马尔科夫模型HMM(三)鲍姆-韦尔奇算法求解HMM参数
隐马尔科夫模型HMM(四)维特比算法解码隐藏状态序列
用hmmlearn学习隐马尔科夫模型HMM 代码
条件随机场CRF(一)从随机场到线性链条件随机场
条件随机场CRF(二) 前向后向算法评估标记序列概率
条件随机场CRF(三) 模型学习与维特比算法解码
word2vec原理(一) CBOW与Skip-Gram模型基础
word2vec原理(二) 基于Hierarchical Softmax的模型
word2vec原理(三) 基于Negative Sampling的模型
用gensim学习word2vec 代码

特征工程与算法落地文章与代码:

文章 代码
特征工程之特征选择
特征工程之特征表达
特征工程之特征预处理
用PMML实现机器学习模型的跨平台上线 代码
tensorflow机器学习模型的跨平台上线 代码

你可能感兴趣的:(算法,人工智能)