程式設計師這個行當最重要的還是要多寫程式碼多填坑，方可熟能生巧。

對於機器學習感興趣或者剛入門的同學，可以參考github上，一箇中國哥們分享的python實現的常見機器學習演算法。這些演算法也是機器學習領域最重要的幾個演算法。

我這裡簡單列出目錄。

Github地址：https://github.com/lawlite19/MachineLearning_Python

目錄

• 機器學習演算法Python實現
  • 一、線性迴歸
    • 1、代價函式
    • 2、梯度下降演算法
    • 3、均值歸一化
    • 4、最終執行結果
    • 5、使用scikit-learn庫中的線性模型實現
  • 二、邏輯迴歸
    • 1、代價函式
    • 2、梯度
    • 3、正則化
    • 4、S型函式（即）
    • 5、對映為多項式
    • 6、使用的優化方法
    • 7、執行結果
    • 8、使用scikit-learn庫中的邏輯迴歸模型實現
  • 邏輯迴歸_手寫數字識別_OneVsAll
    • 1、隨機顯示100個數字
    • 2、OneVsAll
    • 3、手寫數字識別
    • 4、預測
    • 5
      、執行結果
    • 6、使用scikit-learn庫中的邏輯迴歸模型實現
  • 三、BP神經網路
    • 1、神經網路model
    • 2、代價函式
    • 3、正則化
    • 4、反向傳播BP
    • 5、BP可以求梯度的原因
    • 6、梯度檢查
    • 7、權重的隨機初始化
    • 8、預測
    • 9、輸出結果
  • 四、SVM支援向量機
    • 1、代價函式
    • 2、Large Margin
    • 3、SVM Kernel（核函式）
    • 4、使用中的模型程式碼
    • 5、執行結果
  • 五、K-Means聚類演算法
    • 1、聚類過程
    • 2、目標函式
    • 3、聚類中心的選擇
    • 4、聚類個數K的選擇
    • 5、應用——圖片壓縮
    • 6、使用scikit-learn庫中的線性模型實現聚類
    • 7、執行結果
  • 六、PCA主成分分析（降維）
    • 1、用處
    • 2、2D-->1D，nD-->kD
    • 3、主成分分析PCA與線性迴歸的區別
    • 4、PCA降維過程
    • 5、資料恢復
    • 6、主成分個數的選擇（即要降的維度）
    • 7、使用建議
    • 8、執行結果
    • 9、使用scikit-learn庫中的PCA實現降維
  • 七、異常檢測 Anomaly Detection
    • 1、高斯分佈（正態分佈）
    • 2、異常檢測演算法
    • 3、評價的好壞，以及的選取
    • 4、選擇使用什麼樣的feature（單元高斯分佈）
    • 5、多元高斯分佈
    • 6、單元和多元高斯分佈特點
    • 7、程式執行結果