机器学习、深度学习、自然语言处理等人工智能基础知识总结以及源代码.zip

# 说明 机器学习、深度学习、自然语言处理基础知识总结。 目前主要参考李航老师的《统计学习方法》一书，也有一些内容例如**XGBoost**、**聚类**、**深度学习相关内容**、**NLP相关内容**等是书中未提及的。 由于github的markdown解析器不支持latex，因此笔记部分需要在本地使用Typora才能正常浏览，也可以直接访问下面给出的博客链接。 Document文件夹下为笔记，Code文件夹下为代码，Data文件夹下为某些代码所使用的数据集，Image文件夹下为笔记部分所用到的图片。 由于时间和精力有限，部分代码来自github开源项目，如Seq2Seq、Transformer等部分的代码，部分章节代码待补充。 # 机器学习 - 线性回归（[笔记](https://www.cnblogs.com/lyq2021/p/14353781.html)） - 感知机（[笔记](https://www.cnblogs.com/lyq2021/p/14253768.html)+[代码](Code/perceptron.py)） - KNN（[笔记](https://www.cnblogs.com/lyq2021/p/14253756.html)+[代码](Code/knn.py)） - 朴素贝叶斯（[笔记](https://www.cnblogs.com/lyq2021/p/14253771.html)+[代码](Code/naive_bayes.py)） - 决策树（[笔记](https://www.cnblogs.com/lyq2021/p/14253778.html)+[代码](Code/decision_tree.py)） - 逻辑回归（[笔记](https://www.cnblogs.com/lyq2021/p/14253818.html)+[代码](Code/logistic_regression.py)） - 最大熵（[笔记](https://www.cnblogs.com/lyq2021/p/14253820.html)+[代码](Code/max_entropy.py)） - SVM（[笔记](https://www.cnblogs.com/lyq2021/p/14253858.html)+[代码](Code/svm.py)） - AdaBoost（[笔记](https://www.cnblogs.com/lyq2021/p/14253860.html)+[代码](Code/adaboost.py)） - GBDT（[笔记](https://www.cnblogs.com/lyq2021/p/14253863.html)+[代码](Code/gbdt.py)） - EM算法（[笔记](https://www.cnblogs.com/lyq2021/p/14253869.html)+[代码](Code/em.py)） - 隐马尔可夫模型（[笔记](https://www.cnblogs.com/lyq2021/p/14253871.html)+[代码](Code/hmm.py)） - 条件随机场（[笔记](https://www.cnblogs.com/lyq2021/p/14253872.html)） - 随机森林（[笔记](https://www.cnblogs.com/lyq2021/p/14253876.html)+[代码](Code/random_forest.py)） - XGBoost（[笔记](https://www.cnblogs.com/lyq2021/p/14253885.html)） - 聚类（[笔记](https://www.cnblogs.com/lyq2021/p/14341111.html)） - 特征工程之特征选择（[笔记](https://www.cnblogs.com/lyq2021/p/14367515.html)） - 特征工程之降维算法（[笔记](https://www.cnblogs.com/lyq2021/p/14364452.html)） # 深度学习 - 神经网络（[笔记](https://www.cnblogs.com/lyq2021/p/14269424.html)+[代码](Code/neural_network.py)） - RNN([笔记](https://www.cnblogs.com/lyq2021/p/14295398.html)) - LSTM和GRU([笔记](https://www.cnblogs.com/lyq2021/p/14302282.html)) - CNN([笔记](https://www.cnblogs.com/lyq2021/p/14321103.html)) - 深度学习中的最优化方法（[笔记](https://www.cnblogs.com/lyq2021/p/14336242.html)） # 自然语言处理 - 词嵌入之Word2Vec([笔记](https://www.cnblogs.com/lyq2021/p/14308673.html)) - 词嵌入之GloVe([笔记](https://www.cnblogs.com/lyq2021/p/14312830.html)) - 词嵌入之FastText([笔记](https://www.cnblogs.com/lyq2021/p/14313968.html)) - TextCNN（[笔记](https://www.cnblogs.com/lyq2021/p/14317291.html)+[代码](Code/textcnn.py)） - Seq2Seq（[笔记](https://www.cnblogs.com/lyq2021/p/14325262.html)+[代码](1033020837/pytorch-seq2seq/blob/master/4%20-%20Packed%20Padded%20Sequences%2C%20Masking%2C%20Inference%20and%20BLEU.ipynb)） - Transformer（[笔记](https://www.cnblogs.com/lyq2021/p/14330534.html)+[代码](1033020837/pytorch-seq2seq/blob/master/6%20-%20Attention%20is%20All%20You%20Need.ipynb)） - BERT（[笔记](https://www.cnblogs.com/lyq2021/p/14347124.html)） - LSTM+CRF进行序列标注（[笔记](https://www.cnblogs.com/lyq2021/p/14253897.html)） - 主题模型（[笔记](https://www.cnblogs.com/lyq2021/p/14394558.html)） 免责声明： 1.本资源仅供学习和交流使用，不保证其准确性、完整性、及时性或适用性。 2.本资源仅包含一般信息，不构成专业建议。在使用本资源时，请务必自行研究并谨慎决策。 3.我已尽力确保本资源的正确性和合法性，但不对其准确性、完整性和及时性做出保证。 4.本资源不应用于商业用途。 5.在使用本资源的过程中，用户应自行承担所有风险和责任，并遵守相关法律法规。 6.对于因使用本资源而产生的任何损失或损害，我概不负责。 请确保在使用本资源时仔细阅读并遵守以上免责声明。如果您有任何疑问或需要进一步帮助，请联系我。