# MachineLearning

**Repository Path**: maoxiaomeng/machine-learning

## Basic Information

- **Project Name**: MachineLearning
- **Description**: 机器学习课程实验代码以及参考的资料
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-01-09
- **Last Updated**: 2025-01-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 机器学习

学习过程中的一些笔记以及实验课的代码和实验报告，可能会写一写实验要求没有但是自己比较感兴趣的一些模型。

实际上是一个学不会机器学习的菜狗的挣扎，已经是第N遍拿起书本了，也是顺便培养一下整理笔记的习惯，顺便当作是考试的复习，没有什么的参考价值。。。

还有就是GitHub的markdown不支持latex，公式都显示不了，暂时没有什么方法解决，估计是会把公式截图上传。。

基础知识部分没有整理，实际上是很重要的，前面基础知识部分学好了对后面模型的学习帮助很大。

学习记录了以下的机器学习模型（边学边慢慢补充）：

1. [线性回归（Linear Regression）](./Note/LinearRegression.md)
   
    大概是最小二乘法记的比较多。。。或者可能梯度下降法也记一下
2. [线性分类（Linear Classification）](./Note/LinearClassification.md)
   
    线性分类：主要应该会记几个模型，最简单的**感知机**、**线性判别分析**、**高斯判别分析**和**朴素贝叶斯**
3. [k-近邻法（k-nearest neighbor, k-NN）](./Note/KNN.md)

    应该只稍微学了一下分类问题中的kNN。
4. [决策树（Decision Tree）](./Note/DecisionTree.md)

    决策树，一种回归基本的分类与回归算法，个人理解是把线性回归的全局性打破，即非全局性，就可以延申到决策树。大概就写写思路之类的。
5. [支持向量机（support vector machines，SVM）](./Note/SVM.md)

    大概是记有几种：**线性可分支持向量机与硬间隔最大化**、**线性支持向量机软间隔最大化**、**非线性支持向量机与和函数**。

学习过程大概是参考以下的资料，还有一些博客之类的具体在每一个笔记中注明了

- [【机器学习】【白板推导系列】【合集 1～23】_哔哩哔哩_bilibili](https://www.bilibili.com/video/BV1aE411o7qd?p=20&spm_id_from=pageDriver)
- [【斯坦福大学】CS229 机器学习 · 2018年（完结·中英字幕·机翻）_哔哩哔哩_bilibili](https://www.bilibili.com/video/BV1JE411w7Ub?from=search&seid=13573621053938538889&spm_id_from=333.337.0.0)
- [【课程电子书课件见置顶评论】李航《统计学习方法》啃书指导~《统计学习方法》第二版啃书指导视频~_哔哩哔哩_bilibili](https://www.bilibili.com/video/BV1i4411G7Xv?from=search&seid=902836537084029287&spm_id_from=333.337.0.0)
- 《统计学习方法（第二版）》 - 李航
- 《机器学习》 - 周志华