这是一个专门为机器学习初学者设计的实战教程，通过简单易懂的代码示例和详细的解释，帮助读者快速掌握机器学习的基础知识和实践技能。 教程网址：https://acgpp.github.io/simple-ml-code/

• 循序渐进：从基础算法开始，逐步深入到更复杂的模型
• 实践导向：每个章节都包含完整的代码示例和可视化结果
• 通俗易懂：使用生动的比喻和类比来解释复杂的概念
• 互动性强：包含大量实际的数据集和可视化结果

• 线性回归的基本原理
• 数据生成和预处理
• 模型训练和预测
• 结果可视化

• 逻辑回归的基本原理
• MNIST数据集处理
• 模型训练和评估
• 分类结果分析

• 决策树的基本原理
• 鸢尾花数据集分析
• 数据可视化
• 模型训练和可视化

• SVM的基本原理
• 数据生成和预处理
• 线性核函数的使用
• 分类结果可视化

• 聚类算法的基本原理
• 数据生成和标准化
• 聚类结果分析
• 聚类效果评估

• 朴素贝叶斯的基本原理
• 数据生成和划分
• 模型训练和预测
• 分类效果评估

• Python 3.7+
• NumPy
• Matplotlib
• scikit-learn
• Pandas

pip install numpy matplotlib scikit-learn pandas

1. 克隆项目到本地：

git clone https://github.com/datawhalechina/simple-ml-code.git

1. 进入项目目录：

cd simple-ml-code

1. 安装依赖包：

pip install -r requirements.txt

1. 运行示例代码：

python docs/chapter1/线性回归.py

simple-ml-code/
├── docs/
│   ├── chapter1/
│   │   ├── 线性回归.md
│   │   └── 线性回归.py
│   ├── chapter2/
│   │   ├── 逻辑回归.md
│   │   └── 逻辑回归.py
│   ├── chapter3/
│   │   ├── 决策树.md
│   │   └── 决策树.py
│   ├── chapter4/
│   │   ├── 支持向量机.md
│   │   └── 支持向量机.py
│   ├── chapter5/
│   │   ├── K-means聚类.md
│   │   └── K-means聚类.py
│   └── chapter6/
│       ├── 贝叶斯.md
│       └── 贝叶斯.py
├── requirements.txt
└── README.md

欢迎提交Issue和Pull Request来帮助改进这个教程。在提交代码之前，请确保：

1. 代码符合PEP 8规范
2. 添加了适当的注释和文档
3. 所有测试都能通过
4. 提交信息清晰明了

• 如果你发现了一些问题，可以提Issue进行反馈，如果提完没有人回复你可以联系保姆团队的同学进行反馈跟进~
• 如果你想参与贡献本项目，可以提Pull request，如果提完没有人回复你可以联系保姆团队的同学进行反馈跟进~
• 如果你对 Datawhale 很感兴趣并想要发起一个新的项目，请按照Datawhale开源项目指南进行操作即可~

扫描下方二维码关注公众号：Datawhale

本项目采用MIT许可证。详见 LICENSE 文件。

如果您有任何问题或建议，请通过以下方式联系：

• 提交Issue
• 发送邮件至：[15270737104@163.com]

感谢https://github.com/datawhalechina/machine-learning-toy-code 教程的创作者们

感谢https://github.com/datawhalechina/pumpkin-book 南瓜书作者Sm1les