MachineLearning
一些常见的机器学习算法的实现代码，本人学习过程中做的总结，资历尚浅，如有错误请不吝指出。
目录介绍
-
DeepLearning Tutorials
这个文件夹下包含一些深度学习算法的实现代码，以及具体的应用实例，包含：
dive_into _keras Keras使用进阶。介绍了怎么保存训练好的CNN模型，怎么将CNN用作特征提取，怎么可视化卷积图。文章链接， 更多进阶使用方法：gist
keras_usage 介绍了一个简单易用的深度学习框架keras，用经典的Mnist分类问题对该框架的使用进行说明，训练一个CNN，总共不超过30行代码。文章链接
FaceRecognition_CNN(olivettifaces) 将卷积神经网络CNN应用于人脸识别的一个demo，人脸数据库采用olivettifaces，CNN模型参考LeNet5，基于python+theano+numpy+PIL实现。详细介绍这个demo的文章：文章链接
cnn_LeNet CNN卷积神经网络算法的实现，模型为简化版的LeNet，应用于MNIST数据集（手写数字），来自于DeepLearning.net上的一个教程，基于python+theano，我用了中文将原始的代码进行详细的解读，并简单总结了CNN算法，相应的文章发在：文章链接
mlp 多层感知机算法的实现，代码实现了最简单的三层感知机，并应用于MNIST数据集，来自DeepLearning.net上的一个教程，基于python+theano，我写了一篇文章总结介绍了MLP算法，同时用中文详细解读了原始的代码：文章链接
Softmax_sgd(or logistic_sgd) Softmax回归算法的实现，应用于MNIST数据集，基于Python+theano，来自DeepLearning.net上的一个教程，基于python+theano，我写了一篇文章介绍了Softmax回归算法，同时用中文详细解读了原始的代码：文章链接
-
PCA
基于python+numpy实现了主成份分析PCA算法，这里详细地介绍了PCA算法，以及代码开发流程：文章链接
-
kNN
基于python+numpy实现了K近邻算法，并将其应用在MNIST数据集上，详细的介绍：文章链接
-
logistic regression
-
ManifoldLearning
DimensionalityReduction_DataVisualizing 运用多种流形学习方法将高维数据降维，并用matplotlib将数据可视化(2维和3维)
-
SVM
libsvm liblinear-usage 对使用广泛的libsvm、liblinear的使用方法进行了总结，详细介绍：文章链接
SVM by SMO - 用SMO实现了SVM
SVM by QP - 用二次编程（QP）实现了SVM
-
GMM
GMM和k-means作为EM算法的应用，在某种程度有些相似之处，不过GMM明显学习出一些概率密度函数来，结合相关理解写成python版本，详细介绍：文章链接
-
DecisionTree
Python、Numpy、Matplotlib实现的ID3、C4.5，其中C4.5有待完善，后续加入CART。文章待总结。代码
-
KMeans
介绍了聚类分析中最常用的KMeans算法（及二分KMeans算法），基于NumPy的算法实现，以及基于Matplotlib的聚类过程可视化。文章链接
-
NaiveBayes
朴素贝叶斯算法的理论推导，以及三种常见模型（多项式模型，高斯模型，伯努利模型）的介绍与编程实现（基于Python，Numpy）。文章链接
-
Ridge and Kernel Ridge
介绍了Ridge回归和它的Kernel版本。代码