机器学习方法习题解答（⚠️ Alpha内测版）

  李航老师的《统计学习方法》和《机器学习方法》是机器学习领域的经典入门教材之一。本书分为监督学习、无监督学习和深度学习，全面系统地介绍了机器学习的主要方法。

• 第1篇主要介绍监督学习的主要方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等；
• 第2篇主要介绍无监督学习的主要方法，包括聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔科夫链蒙特卡罗法、潜在狄利克雷分配和PageRank算法等；
• 第3篇主要介绍深度学习的主要方法，包括前馈神经网络、卷积神经网络、循环神经网络、序列到序列模型、预训练语言模型和生成对抗网络等。

本项目的受众主要包括：

1. 机器学习初学者：正在学习李航老师《统计学习方法》或《机器学习方法》的同学，希望通过习题解答辅助理解。
2. 算法工程师/开发者：希望深入理解机器学习算法原理，并寻找相关算法的 Python 实现代码（如感知机、决策树、SVM、Transformer 等）的开发者。
3. 备战考研/求职者：需要系统复习机器学习基础理论和推导细节，巩固知识体系的同学。

本项目能为你提供：

• 全书习题详解：涵盖监督学习、无监督学习、深度学习三大部分的课后习题详细解答。
• Python 代码实现：提供相关算法的 Python 代码实现（基于 Python 3.10+，部分涉及 PyTorch），帮助你从理论走向实践。
• 图文并茂的解析：通过代码运行结果截图、决策树可视化等方式，直观展示算法运行过程。
• 勘误与补充：针对书中的难点或潜在错误提供补充说明和勘误。

基础能力要求：

• Python 编程基础：能够阅读和编写基本的 Python 代码，了解常用的数据科学库（如 NumPy, Pandas 等）。
• 数学基础：具备大学数学基础知识，主要包括：
  • 高等数学：微积分（偏导数、梯度）、拉格朗日乘数法、最优化方法等。
  • 线性代数：向量与矩阵运算、特征值与特征向量、奇异值分解 (SVD) 等。
  • 概率论与数理统计：条件概率、贝叶斯公式、常见概率分布、期望与方差、极大似然估计等。
• 环境配置能力：能够使用 pip 安装依赖包，配置基本的 Python 运行环境（如 Jupyter Notebook）。

在线阅读地址：https://datawhalechina.github.io/statistical-learning-method-solutions-manual

书名：机器学习方法
作者：李航
出版社：清华大学出版社
版次：2022年3月第1版

1. 基础环境：Python3.12+、node 18.20.4+

2. 安装UV

   pip install uv
   set UV_INDEX=https://mirrors.aliyun.com/pypi/simple

3. 安装Python依赖包

   uv sync --python 3.12 --all-extras

4. 安装graphviz（用于展示决策树）
   可参考博客：https://blog.csdn.net/HNUCSEE_LJK/article/details/86772806

5. 安装PyTorch 访问PyTorch官网，选择合适的版本安装PyTorch，有条件的小伙伴可以下载GPU版本

   uv pip install torch==2.7.1 torchvision==0.22.1 torchaudio torchviz --index https://download.pytorch.org/whl/cu118

6. 启动notebook

   jupyter notebook

7. 运行vitepress框架

   npm run docs:dev

1. 由于习题解答中需要有程序和执行结果，采用jupyter notebook的格式进行编写（文件路径：notebook/notes），然后将其导出成markdown格式，再覆盖到docs对应的章节下。
2. 可按照Notebook运行环境配置，配置相关的运行环境。
3. 习题解答编写中，需要尽量使用初学者（有高数基础）能理解的数学概念，如果涉及公式定理的推导和证明，可附上参考链接。
4. 当前进度：

codes----------------------------------------------习题代码
|   +---ch02-----------------------------------------第2章习题解答代码
|   |   +---perceptron.py------------------------------习题2.2（构建从训练数据求解感知机模型的例子）
|   +---ch03-----------------------------------------第3章习题解答代码
|   |   +---k_neighbors_classifier.py------------------习题3.1（k近邻算法关于k值的模型比较）
|   |   +---kd_tree_demo.py----------------------------习题3.2（kd树的构建与求最近邻点）
|   |   +---my_kd_tree.py------------------------------习题3.3（用kd树的k邻近搜索算法）
|   +---ch05-----------------------------------------第5章习题解答代码
|   |   +---k_neighbors_classifier.py------------------习题5.1（调用sklearn的DecisionTreeClassifier类使用C4.5算法生成决策树）
|   |   +---my_decision_tree.py------------------------习题5.1（自编程实现C4.5生成算法）
|   |   +---my_least_squares_regression_tree.py--------习题5.2（最小二乘回归树生成算法）
|   +---ch06-----------------------------------------第6章习题解答代码
|   |   +---my_logistic_regression.py------------------习题6.2（实现Logistic回归模型学习的梯度下降法）
|   |   +---maxent_dfp.py------------------------------习题6.3（最大熵模型学习的DFP算法）
|   +---ch07-----------------------------------------第7章习题解答代码
|   |   +---svm_demo.py--------------------------------习题7.2（根据题目中的数据训练SVM模型，并在图中画出分离超平面、间隔边界及支持向量）
|   +---ch08-----------------------------------------第8章习题解答代码
|   |   +---adaboost_demo.py---------------------------习题8.1（使用sklearn的AdaBoostClassifier分类器实现）
|   |   +---my_adaboost.py-----------------------------习题8.1（自编程实现AdaBoost算法）
|   +---ch09-----------------------------------------第9章习题解答代码
|   |   +---three_coin_EM.py---------------------------习题9.1（三硬币模型的EM算法）
|   |   +---gmm_demo.py--------------------------------习题9.3（使用GaussianMixture求解两个分量高斯混合模型的6个参数）
|   |   +---my_gmm.py----------------------------------习题9.3（自编程实现求两个分量的高斯混合模型的5个参数）
|   +---ch10-----------------------------------------第10章习题解答代码
|   |   +---hidden_markov_backward.py------------------习题10.1（隐马尔可夫模型的后向算法）
|   |   +---hidden_markov_forward_backward.py----------习题10.2（隐马尔可夫模型的前向后向算法）
|   |   +---hidden_markov_viterbi.py-------------------习题10.3（隐马尔可夫模型的维特比算法）
|   +---ch11-----------------------------------------第11章习题解答代码
|   |   +---crf_matrix.py------------------------------习题11.4（使用条件随机场矩阵形式，计算所有路径状态序列的概率及概率最大的状态序列）
|   +---ch14-----------------------------------------第14章习题解答代码
|   |   +---divisive_clustering.py---------------------习题14.1（分裂聚类算法）
|   +---ch15-----------------------------------------第15章习题解答代码
|   |   +---my_svd.py----------------------------------习题15.1（自编程实现奇异值分解）
|   |   +---outer_product_expansion.py-----------------习题15.2（外积展开式）
|   +---ch16-----------------------------------------第16章习题解答代码
|   |   +---pca_svd.py---------------------------------习题16.1（样本矩阵的奇异值分解的主成分分析算法）
|   +---ch17-----------------------------------------第17章习题解答代码
|   |   +---lsa_svd.py---------------------------------习题17.1（用矩阵奇异值分解进行潜在语义分析）
|   |   +---divergence_nmf_lsa.py----------------------习题17.2（损失函数是散度损失时的非负矩阵分解算法）
|   +---ch18-----------------------------------------第18章习题解答代码
|   |   +---em_plsa.py---------------------------------习题18.1（基于生成模型的EM算法的概率潜在语义分析）
|   +---ch19-----------------------------------------第19章习题解答代码
|   |   +---monte_carlo_method.py----------------------习题19.1（蒙特卡洛法积分计算）
|   |   +---metropolis_hastings.py---------------------习题19.7（使用Metropolis-Hastings算法求后验概率分布的均值和方差）
|   |   +---gibbs_sampling.py--------------------------习题19.8（使用吉布斯抽样算法估计参数的均值和方差）
|   +---ch20-----------------------------------------第20章习题解答代码
|   |   +---gibbs_sampling_lda.py----------------------习题20.2（LDA吉布斯抽样算法）
|   +---ch21-----------------------------------------第21章习题解答代码
|   |   +---page_rank.py-------------------------------习题21.2（基本定义的PageRank的迭代算法）
|   +---ch23-----------------------------------------第23章习题解答代码
|   |   +---feedforward_nn_backpropagation.py----------习题23.3（自编程实现前馈神经网络的反向传播算法）
|   +---ch24-----------------------------------------第24章习题解答代码
|   |   +---cnn-text-classification.py-----------------习题24.7（基于CNN的自然语言句子分类模型）
|   +---ch26-----------------------------------------第26章习题解答代码
|   |   +---lstm_seq2seq.py----------------------------习题26.1（4层LSTM组成的序列到序列的基本模型）
|   |   +---cnn_seq2seq.py-----------------------------习题26.4（基于CNN的序列到序列模型）
|   +---ch27-----------------------------------------第27章习题解答代码
|   |   +---bi-lstm-text-classification.py-------------习题27.1（基于双向LSTM的预训练语言模型）
|   |   +---auto_encoder.py----------------------------习题27.3（2层卷积神经网络编码器和2层卷积神经网络解码器组成的自动编码器）
|   +---ch28-----------------------------------------第28章习题解答代码
|   |   +---zero_sum_game.py---------------------------习题28.2（零和博弈的代码验证）
docs-----------------------------------------------习题解答
notebook-------------------------------------------习题解答JupyterNotebook格式
requirements.txt-----------------------------------运行环境依赖包

核心贡献者

• 胡锐锋-项目负责人 （Datawhale成员-华东交通大学-系统架构设计师）
• 王维嘉 （中国石油大学（北京））
• 王茸茸 （北京邮电大学-风控算法工程师）
• 王瀚翀 （华东师范大学-推荐系统方向）
• 毛鹏志 （Datawhale成员-中科院计算所-信息检索与生物信息方向）
• 刘晓东 （中科院自动化研究所-意图识别与人机交互方向）
• 李拥祺 （南方科技大学-运动规划与控制决策方向）
• 王天富 （中国科学技术大学-数据挖掘与强化学习方向）
• 薛博阳 （香港中文大学-语言模型与语音识别方向）
• 胡磊 （北京科技大学-表征学习与生物信息方向）
• 范致远 （Datawhale成员-中科院自动化研究所-信息抽取与大模型可信推理方向）
• 王昊文 （帝国理工学院-算法工程师）

其他

1. 特别感谢 @Sm1les、@LSGOMYP 对本项目的帮助与支持；
2. 感谢@GYHHAHA，指出了第7章习题7.4的解答问题，并完善了该题的解答；
3. 感谢范佳慧、汪健麟、张宇明、兰坤、李拙等同学对项目提供的完善性建议；
4. 感谢张帆同学对习题27.1解答的帮助，解决了ELMo预训练模型的代码问题。

• 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~

1. 李航《统计学习方法笔记》中的代码、notebook、参考文献、Errata
2. CART剪枝详解
3. CART剪枝算法详解

扫描下方二维码关注公众号：Datawhale

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。