文件名称：statistics_model:统计学系模型实现
文件大小：1.96MB
文件格式：ZIP
更新时间：2024-03-31 09:14:44
系统开源
统计学习模型学习笔记 记录统计学习模型学习过程中的笔记，其中包括使用sklearn来测试模型，同时包括自己构建模型来实现模型的训练等等。 统计学系方法概论 感知机 k近邻法 k均值 增加k-means聚类算法。 朴素贝叶斯法 决策树 逻辑斯蒂回归与最大熵模型 其中增加了线性回归的推导。 支持向量机 提升方法 AdaBoost 增加AdaBoost方法。 EM算法及其推广 隐马尔可夫模型 条件随机场 深度学习 额外增加神经网络这一章节补充神经网络相关知识，主要是BP误差反向传播算法的推导。 有线电视新闻网 初步深度学习分支之卷积神经网络。 RNN 初步深度学习分支之循环神经网络。 甘 初步深度学习分区之生成对抗网络。 VAE 变分自动编码器。 注意力 增加注意机制。 数据降维 PCA 增加PCA。 LDA 增加LDA。 激活函数 增加激活函数理解总结部分。 优化器 该章节主要介绍常见的优化
【文件预览】：
statistics_model-master
----optim()
--------optim_compare_linear.ipynb(103KB)
--------optim_compare_neural.ipynb(67KB)
--------ReadMe.md(2KB)
----hmm()
--------ReadMe.md(30B)
----lr()
--------ReadMe.md(2KB)
----k-means()
--------k-means_custom.ipynb(23KB)
--------ReadMe.md(3KB)
--------k-means.ipynb(23KB)
----loss()
--------ReadMe.md(87B)
----deep_learning()
--------ReadMe.md(5KB)
--------conv_understanding.ipynb(13KB)
--------deep_learning_sklearn.ipynb(6KB)
--------conv_calc.ipynb(6KB)
--------deep_learning_convolution.ipynb(6KB)
----pca()
--------pca_eigen_face.ipynb(140KB)
--------pca_sklearn.ipynb(10KB)
--------ReadMe.md(7KB)
----tensorflow()
--------eager_math.ipynb(839B)
--------hello_tensorflow.ipynb(2KB)
--------basic_math_operations.ipynb(3KB)
--------mnist_loader.ipynb(31KB)
--------ReadMe.md(839B)
----linear_regression()
--------ReadMe.md(3KB)
--------linear_regression.ipynb(20KB)
--------linear_regression_tensorflow.ipynb(5KB)
----logistic_regression()
--------logistic_regression_custom.ipynb(19KB)
--------ReadMe.md(5KB)
----newton()
--------ReadMe.md(773B)
----attention()
--------cocodataset.ipynb(2KB)
--------ReadMe.md(1KB)
----adaboost()
--------adaboost_custom.ipynb(5KB)
--------ReadMe.md(275B)
----gan()
--------dcgan_pytorch.ipynb(1.06MB)
--------ReadMe.md(3KB)
--------gan_pytorch.ipynb(7KB)
----max_crossentropy()
--------ReadMe.md(3KB)
----knn()
--------ReadMe.md(1KB)
----svd()
--------ReadMe.md(3KB)
--------svd_scipy.ipynb(3KB)
--------svd_image_compress.ipynb(163KB)
----polynomial()
--------polynomial_custom.ipynb(49KB)
--------ReadMe.md(2KB)
----matrix_derivative()
--------ReadMe.md(5KB)
----covariance()
--------ReadMe.md(1KB)
--------cov_np.ipynb(2KB)
----ReadMe.md(3KB)
----mxnet()
--------ndarray_demo.ipynb(12KB)
--------README.md(6KB)
----lda()
--------ReadMe.md(2KB)
----svm()
--------ReadMe.md(14KB)
----pytorch()
--------super_resolution_with_caffe2.ipynb(24KB)
--------UnSort()
--------ReadMe.md(2KB)
--------.gitignore(7B)
----vae()
--------vae_mnist.ipynb(97KB)
--------ReadMe.md(4KB)
--------gaussian_fit_circle.ipynb(31KB)
----activation_function()
--------ReadMe.md(5KB)
--------activation_function.ipynb(114KB)
----softmax_regression()
--------ReadMe.md(16B)
--------softmax_regression_custom.ipynb(18KB)
----bayes()
--------bayes_sklearn.ipynb(5KB)
--------ReadMe.md(1KB)
----data()
--------k-means()
--------svd()
--------rnn()
--------decision_tree()
----.gitignore(20B)
----rnn()
--------rnn_char_pytorch.ipynb(3KB)
--------rnn_pytorch.ipynb(74KB)
--------rnn_mnist.ipynb(47KB)
--------ReadMe.md(7KB)
--------lstm_custom.ipynb(12KB)
--------numpy_lstm.ipynb(44KB)
----decision_tree()
--------decision_tree_custom.ipynb(3KB)
--------ReadMe.md(2KB)
--------decision_tree.ipynb(4KB)
----step_selection()
--------ReadMe.md(234B)
----gradient_descent()
--------gradient_descent_linear_figure.ipynb(101KB)
--------quasi_netwon_descent_linear_figure.ipynb(16KB)
--------netwon_descent_linear_figure.ipynb(73KB)
--------ReadMe.md(4KB)
--------gradient_descent.ipynb(52KB)
--------gradient_figure.ipynb(170KB)
----perceptron()
--------perceptron_custom.ipynb(24KB)
--------ReadMe.md(4KB)
--------perceptron_sklearn.ipynb(35KB)