刘建平Pinard的博客配套代码

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

之前不少朋友反应我博客中的代码都是连续的片段，不好学习，因此这里把文章和代码做一个整理。 代码有部分来源于网络，已加上相关方版权信息。部分为自己原创，已加上我的版权信息。

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

注意

2016-2017年写的博客使用的python版本是2.7， 2018年因为TensorFlow对Python3的一些要求，所以写博客使用的Python版本是3.6。少部分2016，2017年的博客代码无法找到，重新用Python3.6跑过上传，因此可能会出现和博客中代码稍有不一致的地方，主要涉及到print的语法和range的用法，若遇到问题，稍微修改即可跑通。

赞助我

<h3 id="1">强化学习文章与代码：:</h3>

|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) | 无 强化学习（三）用动态规划（DP）求解 | 无 强化学习（四）用蒙特卡罗法（MC）求解 | 无 强化学习（五）用时序差分法（TD）求解 | 无 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 | 无 强化学习(十八) 基于模拟的搜索与蒙特卡罗树搜索(MCTS) | 无 强化学习(十九) AlphaGo Zero强化学习原理 | 无

<h3 id="2">机器学习基础与回归算法文章与代码：</h3>

|文章 | 代码| ---|--- 梯度下降（Gradient Descent）小结 | 无 最小二乘法小结 |无 交叉验证(Cross Validation)原理小结 | 无 精确率与召回率，RoC曲线与PR曲线 |无 线性回归原理小结 |无 机器学习研究与开发平台的选择 | 无 scikit-learn 和pandas 基于windows单机机器学习环境的搭建 |无 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 | 无 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|无 异常点检测算法小结|无

<h3 id="3">机器学习分类算法文章与代码：</h3>

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

<h3 id="7">数学统计学文章与代码：</h3>

|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|无 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|无 机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法|无 机器学习中的矩阵向量求导(三) 矩阵向量求导之微分法|无 机器学习中的矩阵向量求导(四) 矩阵向量求导链式法则|无 机器学习中的矩阵向量求导(五) 矩阵对矩阵的求导|无

<h3 id="6">机器学习集成学习文章与代码：</h3>

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

<h3 id="4">机器学习聚类算法文章与代码：</h3>

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

<h3 id="5">机器学习降维算法文章与代码：</h3>

|文章 | 代码| ---|--- 主成分分析（PCA）原理总结|无 用scikit-learn学习主成分分析(PCA)|代码 [线性判别分析LDA原理总结](https://www.cnblogs.com/pinard/p/6244265