Python-100DaysOfMLCode中文版机器学习100天

# 机器学习100天 英文原版请移步[Avik-Jain](https://github.com/Avik-Jain/100-Days-Of-ML-Code)。数据在[这里](https://github.com/MachineLearning100/100-Days-Of-ML-Code/tree/master/datasets)。 翻译前请先阅读[规范](Translation%20specification.MD)。常见问题解答见[FAQ](FAQ.MD)。 # 目录 - 有监督学习 - [数据预处理](#数据预处理--第1天) - [简单线性回归](#简单线性回归--第2天) - [多元线性回归](#多元线性回归--第3天) - [逻辑回归](#逻辑回归--第4天) - [k近邻法(k-NN)](#k近邻法k-nn--第7天) - [支持向量机(SVM)](#支持向量机svm--第12天) - [决策树](#决策树--第23天) - [随机森林](#随机森林--第33天) - 无监督学习 - [K-均值聚类](#k-均值聚类--第43天) - [层次聚类](#层次聚类--第54天) ## 数据预处理 | 第1天 [数据预处理实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%201_Data_Preprocessing.md) <p align="center"> <img src="https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Info-graphs/Day%201.jpg"> </p> ## 简单线性回归 | 第2天 [简单线性回归实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%202_Simple_Linear_Regression.md) <p align="center"> <img src="https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Info-graphs/Day%202.jpg"> </p> ## 多元线性回归 | 第3天 [多元线性回归实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%203_Multiple_Linear_Regression.md) <p align="center"> <img src="https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Info-graphs/Day%203.png"> </p> ## 逻辑回归 | 第4天 <p align="center"> <img src="https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Info-graphs/Day%204.jpg"> </p> ## 逻辑回归 | 第5天 今天我深入研究了逻辑回归到底是什么，以及它背后的数学是什么。学习了如何计算代价函数，以及如何使用梯度下降法来将代价函数降低到最小。<br> 由于时间关系，我将隔天发布信息图。如果有人在机器学习领域有一定经验，并愿意帮我编写代码文档，也了解github的Markdown语法，请在领英联系我。 ## 逻辑回归 | 第6天 [逻辑回归实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%206_Logistic_Regression.md) ## K近邻法(k-NN) | 第7天 <p align="center"> <img src="https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Info-graphs/Day%207.jpg"> </p> ## 逻辑回归背后的数学 | 第8天 为了使我对逻辑回归的见解更加清晰，我在网上搜索了一些资源或文章，然后我就发现了Saishruthi Swaminathan的<a href = "https://towardsdatascience.com/logistic-regression-detailed-overview-46c4da4303bc">这篇文章</a><br> 它给出了逻辑回归的详细描述。请务必看一看。 ## 支持向量机(SVM) | 第9天 直观了解SVM是什么以及如何使用它来解决分类问题。 ## 支持向量机和K近邻法 | 第10天 了解更多关于SVM如何工作和实现knn算法的知识。 ## K近邻法(k-NN) | 第11天 [K近邻法(k-NN)实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%2011_K-NN.md) ## 支持向量机(SVM) | 第12天 <p align="center"> <img src="https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Info-graphs/Day%2012.jpg"> </p> ## 支持向量机(SVM) | 第13天 [SVM实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%2013_SVM.md) ## 支持向量机(SVM)的实现 | 第14天 今天我在线性相关数据上实现了SVM。使用Scikit-Learn库。在scikit-learn中我们有SVC分类器，我们用它来完成这个任务。将在下一次实现时使用kernel-trick。Python代码见[此处](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%2013_SVM.py),Jupyter notebook见[此处](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%2013_SVM.ipynb)。 ## 朴素贝叶斯分类器(Naive Bayes Classifier)和黑盒机器学习(Black Box Machine Learning) | 第15天 学习不同类型的朴素贝叶斯分类器同时开始<a href="https://bloomberg.github.io/foml/#home">Bloomberg</a>的课程。课程列表中的第一个是黑盒机器学习。它给出了预测函数，特征提取，学习算法，性能评估，交叉验证，样本偏差，非平稳性，过度拟合和超参数调整的整体观点。 ## 通过内核技巧实现支持向量机 | 第16天 使用Scikit-Learn库实现了SVM算法以及内核函数，该函数将我们的数据点映射到更高维度以找到最佳超平面。 ## 在Coursera开始深度学习的专业课程 | 第17天 在1天内完成第1周和第2周内容以及学习课程中的逻辑回归神经网络。 ## 继续Coursera上的深度学习专业课程 | 第18天 完成课程1。用Python自己实现一个神经网络。 ## 学习问题和Yaser Abu-Mostafa教授 | 第19天 开始Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程1。这基本上是对即将到来的课程的一种介绍。他也介绍了感知算法。 ## 深度学习专业课程2 | 第20天 完成改进深度神经网络第1周内容：参数调整，正则化和优化。 ## 网页搜罗 | 第21天 观看了一些关于如何使用Beautiful Soup进行网络爬虫的教程，以便收集用于构建模型的数据。 ## 学习还可行吗? | 第22天 完成Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程2。学习Hoeffding不等式。 ## 决策树 | 第23天 <p align="center"> <img src="https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Info-graphs/Day%2023%20-%20Chinese.jpg"> </p> ## 统计学习理论的介绍 | 第24天 Bloomberg ML课程的第3课介绍了一些核心概念，如输入空间，动作空间，结果空间，预测函数，损失函数和假设空间。 ## 决策树 | 第25天 [决策树实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%2025_Decision_Tree.md) ## 跳到复习线性代数 | 第26天 发现YouTube一个神奇的频道[3Blue1Brown](https://www.youtube.com/channel/UCYO_jab_esuFRV4b17AJtAw)，它有一个播放列表《线性代数的本质》。看完了4个视频，包括了向量，线性组合，跨度，基向量，线性变换和矩阵乘法。 B站播放列表在[这里](https://space.bilibili.com/88461692/#/channel/detail?cid=9450)。 ## 跳到复习线性代数 | 第27天 继续观看了4个视频，内容包括三维变换、行列式、逆矩阵、列空间、零空间和非方矩阵。 B站播放列表在[这里](https://space.bilibili.com/88461692/#/channel/detail?cid=9450)。 ## 跳到复习线性代数 | 第28天 继续观看了3个视频，内容包括点积和叉积。 B站播放列表在[这里](https://space.bilibili.com/88461692/#/channel/detail?cid=9450)。 ## 跳到复习线性代数 | 第29天 观看了剩余的视频12到14，内容包括特征向量和特征值，以及抽象向量空间。 B站播放列表在[这里](https://space.bilibili.com/88461692/#/channel/detail?cid=9450)。 ## 微积分的本质 | 第30天 完成上一播放列表后，YouTube推荐了新内容《微积分的本质》，今天看完了其中的3个视频，包括导数、链式法则、乘积法则和指数导数。 B站播放列表在[这里](https://space.bilibili.com/88461692/#/channel/detail?cid=13407)。 ## 微积分的本质 | 第31天 观看了2个视频，内容包括隐分化与极限。 B站播放列表在[这里](https://space.bilibili.com/88461692/#/channel/detail?cid=13407)。 ## 微积分的本质 | 第32天 观看了剩余的4个视频，内容包括积分与高阶导数。 B站播放列表在[这里](https://space.bilibili.com/88461692/#/channel/det