刘建平Pinard的博客配套代码

http://www.cnblogs.com/pinard 刘建平Pinard

之前不少朋友反应我博客中的代码都是连续的片段，不好学习，因此这里把文章和代码做一个整理。 代码有部分来源于网络，已加上相关方版权信息。部分为自己原创，已加上我的版权信息。

目录

• 机器学习基础与回归算法部分

• 机器学习分类算法部分

• 机器学习聚类算法部分

• 机器学习降维算法部分

• 机器学习集成学习算法部分

• 数学统计学部分

• 机器学习关联算法部分

• 机器学习推荐算法部分

• 深度学习算法部分

• 强化学习算法部分

注意

2016-2017年写的博客使用的python版本是2.7， 2018年因为TensorFlow对Python3的一些要求，所以写博客使用的Python版本是3.6。少部分2016，2017年的博客代码无法找到，重新用Python3.6跑过上传，因此可能会出现和博客中代码稍有不一致的地方，主要涉及到print的语法和range的用法，若遇到问题，稍微修改即可跑通。

强化学习文章与代码：:

文章	代码
强化学习（一）模型基础	代码
强化学习（二）马尔科夫决策过程(MDP)	无
强化学习（三）用动态规划（DP）求解	无
强化学习（四）用蒙特卡罗法（MC）求解	无
强化学习（五）用时序差分法（TD）求解	无
强化学习（六）时序差分在线控制算法SARSA	代码

机器学习基础与回归算法文章与代码：

文章	代码
梯度下降（Gradient Descent）小结	无
最小二乘法小结	无
交叉验证(Cross Validation)原理小结	无
精确率与召回率，RoC曲线与PR曲线	无
线性回归原理小结	无
机器学习研究与开发平台的选择	无
scikit-learn 和pandas 基于windows单机机器学习环境的搭建	无
用scikit-learn和pandas学习线性回归	代码
Lasso回归算法： 坐标轴下降法与最小角回归法小结	无
用scikit-learn和pandas学习Ridge回归	代码1 代码2
scikit-learn 线性回归算法库小结	无

机器学习分类算法文章与代码：

文章	代码
逻辑回归原理小结	无
scikit-learn 逻辑回归类库使用小结	无
感知机原理小结	无
决策树算法原理(上)	无
决策树算法原理(下)	无
scikit-learn决策树算法类库使用小结	代码1 代码2
K近邻法(KNN)原理小结	无
scikit-learn K近邻法类库使用小结	代码
朴素贝叶斯算法原理小结	无
scikit-learn 朴素贝叶斯类库使用小结	代码
最大熵模型原理小结	无
支持向量机原理(一) 线性支持向量机	无
支持向量机原理(二) 线性支持向量机的软间隔最大化模型	无
支持向量机原理(三)线性不可分支持向量机与核函数	无
支持向量机原理(四)SMO算法原理	无
支持向量机原理(五)线性支持回归	无
scikit-learn 支持向量机算法库使用小结	无
支持向量机高斯核调参小结	代码

数学统计学文章与代码：

文章	代码
机器学习算法的随机数据生成	代码

机器学习关联算法文章与代码：

文章	代码
日志和告警数据挖掘经验谈	无

机器学习集成学习文章与代码：

文章	代码
集成学习原理小结	无
集成学习之Adaboost算法原理小结	无
scikit-learn Adaboost类库使用小结	代码
梯度提升树(GBDT)原理小结	无
scikit-learn 梯度提升树(GBDT)调参小结	代码
Bagging与随机森林算法原理小结	无
scikit-learn随机森林调参小结	代码

License MIT.