From 5aeddce19286640becfcded59faf589453eba89e Mon Sep 17 00:00:00 2001 From: lawlite <849451478@qq.com> Date: Wed, 7 Nov 2018 15:56:47 +0800 Subject: [PATCH 1/3] :memo: fix catalog of readme --- readme.md | 127 +++++++++++++++++++++++++++--------------------------- 1 file changed, 63 insertions(+), 64 deletions(-) diff --git a/readme.md b/readme.md index 5a29ac6..421901b 100644 --- a/readme.md +++ b/readme.md @@ -3,73 +3,72 @@ [![MIT license](https://img.shields.io/dub/l/vibe-d.svg)](https://github.com/lawlite19/MachineLearning_Python/blob/master/LICENSE) - ## 目录 * [机器学习算法Python实现](#机器学习算法python实现) - * [一、线性回归](#一-线性回归) - * [1、代价函数](#1-代价函数) - * [2、梯度下降算法](#2-梯度下降算法) - * [3、均值归一化](#3-均值归一化) - * [4、最终运行结果](#4-最终运行结果) - * [5、使用scikit-learn库中的线性模型实现](#5-使用scikit-learn库中的线性模型实现) - * [二、逻辑回归](#二-逻辑回归) - * [1、代价函数](#1-代价函数) - * [2、梯度](#2-梯度) - * [3、正则化](#3-正则化) - * [4、S型函数（即）](#4-s型函数即) - * [5、映射为多项式](#5-映射为多项式) - * [6、使用的优化方法](#6-使用的优化方法) - * [7、运行结果](#7-运行结果) - * [8、使用scikit-learn库中的逻辑回归模型实现](#8-使用scikit-learn库中的逻辑回归模型实现) + * [一、线性回归](#一线性回归) + * [1、代价函数](#1代价函数) + * [2、梯度下降算法](#2梯度下降算法) + * [3、均值归一化](#3均值归一化) + * [4、最终运行结果](#4最终运行结果) + * [5、使用scikit-learn库中的线性模型实现](#5使用scikit-learn库中的线性模型实现) + * [二、逻辑回归](#二逻辑回归) + * [1、代价函数](#1代价函数) + * [2、梯度](#2梯度) + * [3、正则化](#3正则化) + * [4、S型函数（即）](#4s型函数即) + * [5、映射为多项式](#5映射为多项式) + * [6、使用的优化方法](#6使用的优化方法) + * [7、运行结果](#7运行结果) + * [8、使用scikit-learn库中的逻辑回归模型实现](#8使用scikit-learn库中的逻辑回归模型实现) * [逻辑回归_手写数字识别_OneVsAll](#逻辑回归_手写数字识别_onevsall) - * [1、随机显示100个数字](#1-随机显示100个数字) - * [2、OneVsAll](#2-onevsall) - * [3、手写数字识别](#3-手写数字识别) - * [4、预测](#4-预测) - * [5、运行结果](#5-运行结果) - * [6、使用scikit-learn库中的逻辑回归模型实现](#6-使用scikit-learn库中的逻辑回归模型实现) - * [三、BP神经网络](#三-bp神经网络) - * [1、神经网络model](#1-神经网络model) - * [2、代价函数](#2-代价函数) - * [3、正则化](#3-正则化) - * [4、反向传播BP](#4-反向传播bp) - * [5、BP可以求梯度的原因](#5-bp可以求梯度的原因) - * [6、梯度检查](#6-梯度检查) - * [7、权重的随机初始化](#7-权重的随机初始化) - * [8、预测](#8-预测) - * [9、输出结果](#9-输出结果) - * [四、SVM支持向量机](#四-svm支持向量机) - * [1、代价函数](#1-代价函数) - * [2、Large Margin](#2-large-margin) - * [3、SVM Kernel（核函数）](#3-svm-kernel核函数) - * [4、使用中的模型代码](#4-使用中的模型代码) - * [5、运行结果](#5-运行结果) - * [五、K-Means聚类算法](#五-k-means聚类算法) - * [1、聚类过程](#1-聚类过程) - * [2、目标函数](#2-目标函数) - * [3、聚类中心的选择](#3-聚类中心的选择) - * [4、聚类个数K的选择](#4-聚类个数k的选择) - * [5、应用——图片压缩](#5-应用图片压缩) - * [6、使用scikit-learn库中的线性模型实现聚类](#6-使用scikit-learn库中的线性模型实现聚类) - * [7、运行结果](#7-运行结果) - * [六、PCA主成分分析（降维）](#六-pca主成分分析降维) - * [1、用处](#1-用处) - * [2、2D-->1D，nD-->kD](#2-2d-1dnd-kd) - * [3、主成分分析PCA与线性回归的区别](#3-主成分分析pca与线性回归的区别) - * [4、PCA降维过程](#4-pca降维过程) - * [5、数据恢复](#5-数据恢复) - * [6、主成分个数的选择（即要降的维度）](#6-主成分个数的选择即要降的维度) - * [7、使用建议](#7-使用建议) - * [8、运行结果](#8-运行结果) - * [9、使用scikit-learn库中的PCA实现降维](#9-使用scikit-learn库中的pca实现降维) - * [七、异常检测 Anomaly Detection](#七-异常检测-anomaly-detection) - * [1、高斯分布（正态分布）](#1-高斯分布正态分布) - * [2、异常检测算法](#2-异常检测算法) - * [3、评价的好坏，以及的选取](#3-评价的好坏以及的选取) - * [4、选择使用什么样的feature（单元高斯分布）](#4-选择使用什么样的feature单元高斯分布) - * [5、多元高斯分布](#5-多元高斯分布) - * [6、单元和多元高斯分布特点](#6-单元和多元高斯分布特点) - * [7、程序运行结果](#7-程序运行结果) + * [1、随机显示100个数字](#1随机显示100个数字) + * [2、OneVsAll](#2onevsall) + * [3、手写数字识别](#3手写数字识别) + * [4、预测](#4预测) + * [5、运行结果](#5运行结果) + * [6、使用scikit-learn库中的逻辑回归模型实现](#6使用scikit-learn库中的逻辑回归模型实现) + * [三、BP神经网络](#三bp神经网络) + * [1、神经网络model](#1神经网络model) + * [2、代价函数](#2代价函数) + * [3、正则化](#3正则化) + * [4、反向传播BP](#4反向传播bp) + * [5、BP可以求梯度的原因](#5bp可以求梯度的原因) + * [6、梯度检查](#6梯度检查) + * [7、权重的随机初始化](#7权重的随机初始化) + * [8、预测](#8预测) + * [9、输出结果](#9输出结果) + * [四、SVM支持向量机](#四svm支持向量机) + * [1、代价函数](#1代价函数) + * [2、Large Margin](#2large-margin) + * [3、SVM Kernel（核函数）](#3svm-kernel核函数) + * [4、使用中的模型代码](#4使用中的模型代码) + * [5、运行结果](#5运行结果) + * [五、K-Means聚类算法](#五k-means聚类算法) + * [1、聚类过程](#1聚类过程) + * [2、目标函数](#2目标函数) + * [3、聚类中心的选择](#3聚类中心的选择) + * [4、聚类个数K的选择](#4聚类个数k的选择) + * [5、应用——图片压缩](#5应用图片压缩) + * [6、使用scikit-learn库中的线性模型实现聚类](#6使用scikit-learn库中的线性模型实现聚类) + * [7、运行结果](#7运行结果) + * [六、PCA主成分分析（降维）](#六pca主成分分析降维) + * [1、用处](#1用处) + * [2、2D-->1D，nD-->kD](#22d-1dnd-kd) + * [3、主成分分析PCA与线性回归的区别](#3主成分分析pca与线性回归的区别) + * [4、PCA降维过程](#4pca降维过程) + * [5、数据恢复](#5数据恢复) + * [6、主成分个数的选择（即要降的维度）](#6主成分个数的选择即要降的维度) + * [7、使用建议](#7使用建议) + * [8、运行结果](#8运行结果) + * [9、使用scikit-learn库中的PCA实现降维](#9使用scikit-learn库中的pca实现降维) + * [七、异常检测 Anomaly Detection](#七异常检测-anomaly-detection) + * [1、高斯分布（正态分布）](#1高斯分布正态分布) + * [2、异常检测算法](#2异常检测算法) + * [3、评价的好坏，以及的选取](#3评价的好坏以及的选取) + * [4、选择使用什么样的feature（单元高斯分布）](#4选择使用什么样的feature单元高斯分布) + * [5、多元高斯分布](#5多元高斯分布) + * [6、单元和多元高斯分布特点](#6单元和多元高斯分布特点) + * [7、程序运行结果](#7程序运行结果) ## 一、[线性回归](/LinearRegression) - [全部代码](/LinearRegression/LinearRegression.py) From fc954f68d8b2d89ed4463308873ebce0d22ddaa2 Mon Sep 17 00:00:00 2001 From: lawlite <849451478@qq.com> Date: Wed, 7 Nov 2018 16:01:44 +0800 Subject: [PATCH 2/3] :memo: fix catalog of readme --- readme.md | 10 +++++----- 1 file changed, 5 insertions(+), 5 deletions(-) diff --git a/readme.md b/readme.md index 421901b..9624fc3 100644 --- a/readme.md +++ b/readme.md @@ -17,7 +17,7 @@ * [3、正则化](#3正则化) * [4、S型函数（即）](#4s型函数即) * [5、映射为多项式](#5映射为多项式) - * [6、使用的优化方法](#6使用的优化方法) + * [6、使用的优化方法](#6使用scipy的优化方法) * [7、运行结果](#7运行结果) * [8、使用scikit-learn库中的逻辑回归模型实现](#8使用scikit-learn库中的逻辑回归模型实现) * [逻辑回归_手写数字识别_OneVsAll](#逻辑回归_手写数字识别_onevsall) @@ -41,7 +41,7 @@ * [1、代价函数](#1代价函数) * [2、Large Margin](#2large-margin) * [3、SVM Kernel（核函数）](#3svm-kernel核函数) - * [4、使用中的模型代码](#4使用中的模型代码) + * [4、使用中的模型代码](#4使用scikit-learn中的svm模型代码) * [5、运行结果](#5运行结果) * [五、K-Means聚类算法](#五k-means聚类算法) * [1、聚类过程](#1聚类过程) @@ -53,7 +53,7 @@ * [7、运行结果](#7运行结果) * [六、PCA主成分分析（降维）](#六pca主成分分析降维) * [1、用处](#1用处) - * [2、2D-->1D，nD-->kD](#22d-1dnd-kd) + * [2、2D-->1D，nD-->kD](#22d--1dnd--kd) * [3、主成分分析PCA与线性回归的区别](#3主成分分析pca与线性回归的区别) * [4、PCA降维过程](#4pca降维过程) * [5、数据恢复](#5数据恢复) @@ -62,9 +62,9 @@ * [8、运行结果](#8运行结果) * [9、使用scikit-learn库中的PCA实现降维](#9使用scikit-learn库中的pca实现降维) * [七、异常检测 Anomaly Detection](#七异常检测-anomaly-detection) - * [1、高斯分布（正态分布）](#1高斯分布正态分布) + * [1、高斯分布（正态分布）](#1高斯分布正态分布gaussian-distribution) * [2、异常检测算法](#2异常检测算法) - * [3、评价的好坏，以及的选取](#3评价的好坏以及的选取) + * [3、评价的好坏，以及的选取](#3评价px的好坏以及ε的选取) * [4、选择使用什么样的feature（单元高斯分布）](#4选择使用什么样的feature单元高斯分布) * [5、多元高斯分布](#5多元高斯分布) * [6、单元和多元高斯分布特点](#6单元和多元高斯分布特点) From f8d02fd9fb2bb8268076cc7d30ae86c49988caf7 Mon Sep 17 00:00:00 2001 From: lawlite <849451478@qq.com> Date: Wed, 16 Dec 2020 15:49:22 +0800 Subject: [PATCH 3/3] Create FUNDING.yml --- .github/FUNDING.yml | 12 ++++++++++++ 1 file changed, 12 insertions(+) create mode 100644 .github/FUNDING.yml diff --git a/.github/FUNDING.yml b/.github/FUNDING.yml new file mode 100644 index 0000000..4b16f59 --- /dev/null +++ b/.github/FUNDING.yml @@ -0,0 +1,12 @@ +# These are supported funding model platforms + +github: # Replace with up to 4 GitHub Sponsors-enabled usernames e.g., [user1, user2] +patreon: # Replace with a single Patreon username +open_collective: # Replace with a single Open Collective username +ko_fi: # Replace with a single Ko-fi username +tidelift: # Replace with a single Tidelift platform-name/package-name e.g., npm/babel +community_bridge: # Replace with a single Community Bridge project-name e.g., cloud-foundry +liberapay: # Replace with a single Liberapay username +issuehunt: # Replace with a single IssueHunt username +otechie: # Replace with a single Otechie username +custom: # Replace with up to 4 custom sponsorship URLs e.g., ['link1', 'link2']