本仓库旨在提供统计学习方法一书中算法的numpy实现。诚然在GitHub上已经有了许多类似的实现，但是本仓库有着以下优点： This repo aims to provide numpy implementation for the algorithms in the book Statistical Learning Method. I notice there are lots of implementtions in the GitHub. Here, I highlight the advantage of my implementations:

• 快速运行：可以直接在Google Colab上直接运行，无需下载或克隆代码到本地。Directly running in Google Colab without downloading/cloning the repo to the local.
• 高效运行：使用numpy中向量化实现替代python中的循环等操作。Implement by vectorized built-in functions in numpy instead of vanilla python operations, leading to better performance.
• 真实数据集：使用来自libsvm中的数据集而不是生成的数据。Using more practical datasets from libsvm instead of synthetic datasets.
• 无需提前下载数据集：数据集将以在线的方式直接加载无需额外手动下载。Loading datasets directly from the internet (libsvm website) without extra manual downloading.

这个仓库不是：This repo is not:

• 算法详解：只关注代码实现而不是算法本身的原理。details of algorithms. It focuses on implementations instead of other details of algorithms.
• 通用算法库：本实现仅仅用于快速理解算法，并未对算法进行封装，也未考虑实际使用中的各类情况。a general algorithm library. This implementation is only used to quickly understand the algorithm, it does not encapsulate the algorithm, and does not consider various situations in actual use.

• K近邻算法 / K-nearest Neighbors Algorithm

• 朴素贝叶斯法 / Naive Bayes Classifier TODO

• 决策树 / Decision Tree TODO

• 最大熵模型 / Maximum Entropy Model TODO

• 逻辑斯蒂回归 / Logistic Regression TODO

• 支持向量机 Supprt Vector Machine TODO

• 提升方法 / AdaBoost TODO

• EM算法 / Expectation Maximization Algorithm TODO

• 隐马尔可夫模型 / Hidden Markov Model TODO

• K均值聚类 / K-means Clustering TODO

• 层次聚类 / Hierachical Clustering TODO

• 主成分分析 / Principal Components Analysis TODO

• 潜在语义分析 / Latent Semantic Analysis TODO

• 概率潜在语义分析 / Probabilistic Latent Semantic Analysis TODO

• 潜在狄利克雷分配 / Latent Dirichlet Allocation TODO

• PageRank算法 / PageRank Algorithm TODO