MachineLearningWithMe
A repository contains more than 12 common statistical machine learning algorithm implementations. 常见10余种机器学习算法原理与实现及视频讲解。@月来客栈 出品
Install / Use
/learn @mlwithme/MachineLearningWithMeREADME
MachineLearningWithMe
<img src="Images/banner.jpg" width="90%">坚持的力量！《跟我一起学机器学习》上市了!
购买链接：当当网 京东
电子专栏：微信专栏
<div align=center><img width="480" src="https://moonhotel.oss-cn-shanghai.aliyuncs.com/images/202412291647256.png"/> </div>目录
第0节 机器学习入门导读
第 1 章 环境配置
- 1.1 安装Conda
- 1.2 使用Conda
- 1.3 开发环境
第 2 章 线性回归
- 2.1 模型的建立与求解
- 2.2多变量线性回归
- 2.3 多项式回归
- 2.4 回归模型评估
- 2.5 梯度下降
- 2.6 正态分布
- 2.7 目标函数推导
第 3 章 逻辑回归
- 3.1 模型的建立与求解
- 3.2 多分类任务
- 3.3 常见的分类评估指标
- 3.4 目标函数推导
第 4 章 模型的改善与泛化
- 4.1 基本概念
- 4.2 特征标准化
- 4.3 过拟合
- 4.4 正则化
- 4.5 偏差、方差与交叉验证
- 4.6 实例分析手写体识别
第 5 章 K近邻
- 5.1 K近邻思想
- 5.2 K近邻原理
- 5.3 sklearn接口与示例代码
- 5.4 kd树
- 5.5 从零实现K近邻
第 6 章 文本特征提取与模型复用
- 6.1 词袋模型
- 6.2 基于$K$近邻算法的垃圾邮件分类
- 6.3 考虑权重的词袋模型
- 6.4 词云图
第 7 章 朴素贝叶斯
- 7.1 朴素贝叶斯算法
- 7.2 贝叶斯估计
- 7.3 从零实现朴素贝叶斯算法
- 7.4 多项式朴素贝叶斯原理与实现
- 7.5 高斯朴素贝叶斯原理与实现
第 8 章 决策树与集成学习
- 8.1 决策树的基本思想
- 8.2 决策树的生成之ID3与C4.5
- 8.3 决策树生成与可视化
- 8.4 决策树剪枝
- 8.5 从零实现ID3与C4.5决策树算法
- 8.6 连续型特征变量下决策树实现
- 8.7 CART生成与剪枝算法
- 8.8 从零实现CART决策树算法
第 9 章集成学习与提升算法
- 9.1 集成学习
- 9.2 随机森林
- 9.3 泰坦尼克号生还预测
- 9.4 AdaBoost原理与实现
- 9.5 MultiAdaboost原理与实现
- 9.6 GradientBoosted原理与实现
第 10 章 支持向量机
- 10.1 SVM思想
- 10.2 SVM线性不可分
- 10.3 SVM原理
- 10.4 SVM中的软间隔
- 10.5 拉格朗日乘数法
- 10.6 对偶性与KKT条件
- 10.7 SVM优化问题
- 10.8 SVM核函数原理
- 10.9 SMO算法
- 10.10 从零实现SVM分类算法
第 11 章 聚类
- 11.1 聚类算法的思想
- 11.2 Kmeans聚类算法
- 11.3 Kmeans算法求解
- 11.4 从零实现kmeans聚类算法
- 11.5 Kmeans++聚类算法
- 11.6 聚类外部评估指标
- 11.7 加权kmeans聚类算法
- 11.8 聚类内部评估指标
- 11.9 聚类K值选取与分析
- 11.10 基于密度的聚类
- 11.11 基于层次的聚类
第 12 章 降维算法
- 12.1 主成分分析
- 12.2 基于核方法的主成分分析
第 13 章 自训练与标签传播算法
- 13.1 Self-training自训练算法
- 13.2 Label Propagation标签传播算法
- 13.3 Label Spreading标签传播算法
Related Skills
claude-opus-4-5-migration
92.1kMigrate prompts and code from Claude Sonnet 4.0, Sonnet 4.5, or Opus 4.1 to Opus 4.5
model-usage
343.3kUse CodexBar CLI local cost usage to summarize per-model usage for Codex or Claude, including the current (most recent) model or a full model breakdown. Trigger when asked for model-level usage/cost data from codexbar, or when you need a scriptable per-model summary from codexbar cost JSON.
TrendRadar
50.3k⭐AI-driven public opinion & trend monitor with multi-platform aggregation, RSS, and smart alerts.🎯 告别信息过载，你的 AI 舆情监控助手与热点筛选工具！聚合多平台热点 + RSS 订阅，支持关键词精准筛选。AI 智能筛选新闻 + AI 翻译 + AI 分析简报直推手机，也支持接入 MCP 架构，赋能 AI 自然语言对话分析、情感洞察与趋势预测等。支持 Docker ，数据本地/云端自持。集成微信/飞书/钉钉/Telegram/邮件/ntfy/bark/slack 等渠道智能推送。
mcp-for-beginners
15.7kThis open-source curriculum introduces the fundamentals of Model Context Protocol (MCP) through real-world, cross-language examples in .NET, Java, TypeScript, JavaScript, Rust and Python. Designed for developers, it focuses on practical techniques for building modular, scalable, and secure AI workflows from session setup to service orchestration.
