MachineLearningWithMe · 开源仓库介绍 · 跟我学机器学习

仓库简介#

MachineLearningWithMe 是书籍《跟我一起学机器学习》的配套代码与资源仓库, 关于本书的介绍可以参见文章「《跟我一起学机器学习》第二版」的介绍。同时，你也可以「点击此处」进行在线阅读。

适用人群#

正在阅读本站机器学习栏目、希望按章节动手复现的学习者;
入门阶段需要 sklearn 接口 + 从零实现双版本对照的读者;
希望系统理解经典机器学习算法数学推导与工程实现的研究/教学人员。

目录结构#

AllBooKCode/ — 当前主版本代码, 已通过 Python 3.11 测试, 通过 requirements_python311.txt 一键安装依赖。结构如下:
- Chapter01 ~ Chapter13: 每章一目录, 配套书章节;
- utils/: 通用数据加载、可视化与评估工具;
- data/: 示例数据集;
AllBooKCodeV1/ — 旧版归档 (07 章结构, 含 KnowledgeIndex.md 知识索引), 仅供对照参考。

配套章节#

章节	重点小节
第 0 节机器学习入门导读	机器学习入门导读：方法论比学习材料更重要
第 1 章环境配置	Conda 与 Python 环境安装教程：机器学习开发环境配置 Jupyter Notebook 与 PyCharm 安装配置：机器学习开发环境教程
第 2 章线性回归	线性回归原理与建模求解：公式推导与训练过程详解多变量线性回归原理与 sklearn 实战示例回归模型评估指标详解：MSE、RMSE、R2 与误差分析梯度下降推导详解：线性回归参数迭代求解过程线性回归目标函数推导：最小二乘与损失函数解析
第 3 章逻辑回归	逻辑回归原理与建模求解：分类模型与训练过程详解逻辑回归多分类任务：Softmax 回归原理与实战思路分类评估指标详解：准确率、召回率与 F-score 解析逻辑回归损失函数推导：交叉熵与最大似然估计
第 4 章模型的改善与泛化	特征标准化原理与实现：归一化与标准化处理详解过拟合处理方法详解：常见原因与正则化实战 L1 与 L2 正则化原理：权重衰减与过拟合抑制偏差方差与交叉验证：模型选择与泛化性能分析手写体识别实战教程：模型改善与泛化案例分析
第 5 章 K 近邻	KNN 算法原理详解：K 近邻思想、距离度量与分类过程 sklearn KNN 接口示例：K 近邻建模与预测实战 KD 树构建与搜索：KNN 加速原理详解从零实现 KNN 算法：K 近邻分类代码实现详解
第 6 章文本特征与模型复用	词袋模型原理：文本特征表示与机器学习建模 K 近邻垃圾邮件分类实战：文本分类示例详解 TF-IDF 词袋模型原理：带权文本特征表示方法词云图生成教程：文本特征分析与可视化
第 7 章朴素贝叶斯	朴素贝叶斯原理详解：条件概率与分类模型基础 Python 从零实现朴素贝叶斯：CategoricalNB 建模与训练高斯朴素贝叶斯原理与 Python 从零实现详解
第 8 章决策树	决策树原理与 sklearn 建模可视化教程 Python 从零实现决策树：ID3 与 C4.5 算法代码解析 CART 算法原理与 Python 从零实现：决策树生成与剪枝流程
第 9 章集成学习与提升算法	随机森林原理与 Python 实战：集成学习树模型方法 AdaBoost 原理与 Python 实现：提升算法训练流程解析 Gradient Boost 原理与 Python 实现：梯度提升回归与分类
第 10 章支持向量机	SVM 原理详解：支持向量、最大间隔与线性不可分核函数 SVM 分类边界原理：支持向量、最大间隔与超平面拉格朗日乘数法详解：SVM 优化推导核心工具 SVM KKT 条件详解：支持向量机约束优化基础 SVM 核函数原理：无穷维映射与高斯核等常见核函数 Python 实战从零实现 SVM：支持向量机分类算法代码解析
第 11 章聚类分析	Kmeans 聚类原理详解：经典算法与求解计算过程 Python 从零实现 Kmeans 聚类算法：随机初始化与迭代收敛 Kmeans++ 原理与从零实现教程：聚类中心初始化策略聚类外部评价指标详解：聚类纯度、NMI 与 ARI 解析加权 Kmeans 聚类算法：特征权重与软聚类实现 Kmeans K 值选取：肘部法与轮廓系数实战分析 DBSCAN 密度聚类算法：原理与基于密度的聚类实现层次聚类算法原理与实现：聚类树构建与结果分析
第 12 章降维算法	PCA 主成分分析原理与 Python 从零实现教程核主成分分析 KPCA 原理与 Python 实现：非线性降维方法
第 13 章自训练与标签传播	Self-Training 自训练算法详解：半监督学习方法 Label Propagation 算法原理与 Python 实现教程：标签传播半监督学习 Label Spreading 算法详解：半监督学习中的标签扩散方法

使用方式#

git clone https://github.com/mlwithme/MachineLearningWithMe.git
cd MachineLearningWithMe/AllBooKCode
pip install -r requirements_python311.txt

进入对应 ChapterXX 目录, 按 README 与正文提示运行示例脚本即可。Python 版本推荐 3.11。

仓库简介#

适用人群#

目录结构#

配套章节#

使用方式#

相关链接#