English
资源说明：属于网络下载资源，感谢原作者的贡献。
##目录介绍
- **DeepLearning Tutorials**
这个文件夹下包含一些深度学习算法的实现代码，以及具体的应用实例，包含：
Keras使用进阶。介绍了怎么保存训练好的CNN模型，怎么将CNN用作特征提取，怎么可视化卷积图。
[keras_usage]介绍了一个简单易用的深度学习框架keras，用经典的Mnist分类问题对该框架的使用进行说明，训练一个CNN，总共不超过30行代码。
将卷积神经网络CNN应用于人脸识别的一个demo，人脸数据库采用olivettifaces，CNN模型参考LeNet5，基于python+theano+numpy+PIL实现。
CNN卷积神经网络算法的实现，模型为简化版的LeNet，应用于MNIST数据集（手写数字），来自于DeepLearning.net上的一个教程，基于python+theano
多层感知机算法的实现，代码实现了最简单的三层感知机，并应用于MNIST数据集。
[Softmax_sgd(or logistic_sgd)]Softmax回归算法的实现，应用于MNIST数据集，基于Python+theano。
- **PCA**
基于python+numpy实现了主成份分析PCA算法
- **kNN**
基于python+numpy实现了K近邻算法，并将其应用在MNIST数据集上，
- **logistic regression**
- 基于C++以及线性代数库Eigen实现的logistic回归，[代码]
- 基于python+numpy实现了logistic回归（二类别）
- **ManifoldLearning**
运用多种流形学习方法将高维数据降维，并用matplotlib将数据可视化(2维和3维)
- **SVM**
- **GMM**
GMM和k-means作为EM算法的应用，在某种程度有些相似之处，不过GMM明显学习出一些概率密度函数来，结合相关理解写成python版本
- **DecisionTree**
Python、Numpy、Matplotlib实现的ID3、C4.5，其中C4.5有待完善，后续加入CART。
- **KMeans**
介绍了聚类分析中最常用的KMeans算法（及二分KMeans算法），基于NumPy的算法实现，以及基于Matplotlib的聚类过程可视化。
朴素贝叶斯算法的理论推导，以及三种常见模型（多项式模型，高斯模型，伯努利模型）的介绍与编程实现（基于Python，Numpy）
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
