deep_learning_Github_初学者教程
<p><span style="color: rgba(255, 0, 0, 1)">Github_link_from:https://github.com/lawlite19/MachineLearning_Python</span></p><h1>机器学习算法Python实现</h1>
<p><img src="https://camo.githubusercontent.com/3f7996bf7bd441deb7199c498aaa835164dee8da/68747470733a2f2f696d672e736869656c64732e696f2f6475622f6c2f766962652d642e737667"></p>
<h2>目录</h2>
<ul>
<li>机器学习算法Python实现
<ul>
<li>一、线性回归
<ul>
<li>1、代价函数</li>
<li>2、梯度下降算法</li>
<li>3、均值归一化</li>
<li>4、最终运行结果</li>
<li>5、使用scikit-learn库中的线性模型实现</li>
</ul>
</li>
<li>二、逻辑回归
<ul>
<li>1、代价函数</li>
<li>2、梯度</li>
<li>3、正则化</li>
<li>4、S型函数（即）</li>
<li>5、映射为多项式</li>
<li>6、使用的优化方法</li>
<li>7、运行结果</li>
<li>8、使用scikit-learn库中的逻辑回归模型实现</li>
</ul>
</li>
<li>逻辑回归_手写数字识别_OneVsAll
<ul>
<li>1、随机显示100个数字</li>
<li>2、OneVsAll</li>
<li>3、手写数字识别</li>
<li>4、预测</li>
<li>5、运行结果</li>
<li>6、使用scikit-learn库中的逻辑回归模型实现</li>
</ul>
</li>
<li>三、BP神经网络
<ul>
<li>1、神经网络model</li>
<li>2、代价函数</li>
<li>3、正则化</li>
<li>4、反向传播BP</li>
<li>5、BP可以求梯度的原因</li>
<li>6、梯度检查</li>
<li>7、权重的随机初始化</li>
<li>8、预测</li>
<li>9、输出结果</li>
</ul>
</li>
<li>四、SVM支持向量机
<ul>
<li>1、代价函数</li>
<li>2、Large Margin</li>
<li>3、SVM Kernel（核函数）</li>
<li>4、使用中的模型代码</li>
<li>5、运行结果</li>
</ul>
</li>
<li>五、K-Means聚类算法
<ul>
<li>1、聚类过程</li>
<li>2、目标函数</li>
<li>3、聚类中心的选择</li>
<li>4、聚类个数K的选择</li>
<li>5、应用——图片压缩</li>
<li>6、使用scikit-learn库中的线性模型实现聚类</li>
<li>7、运行结果</li>
</ul>
</li>
<li>六、PCA主成分分析（降维）
<ul>
<li>1、用处</li>
<li>2、2D-->1D，nD-->kD</li>
<li>3、主成分分析PCA与线性回归的区别</li>
<li>4、PCA降维过程</li>
<li>5、数据恢复</li>
<li>6、主成分个数的选择（即要降的维度）</li>
<li>7、使用建议</li>
<li>8、运行结果</li>
<li>9、使用scikit-learn库中的PCA实现降维</li>
</ul>
</li>
<li>七、异常检测 Anomaly Detection
<ul>
<li>1、高斯分布（正态分布）</li>
<li>2、异常检测算法</li>
<li>3、评价的好坏，以及的选取</li>
<li>4、选择使用什么样的feature（单元高斯分布）</li>
<li>5、多元高斯分布</li>
<li>6、单元和多元高斯分布特点</li>
<li>7、程序运行结果</li>
</ul>
</li>
</ul>
</li>
</ul><br><br>
来源：https://www.cnblogs.com/0405mxh/p/11603018.html
頁:
[1]