# 机器学习100天 英文原版请移步[Avik-Jain](https://github.com/Avik-Jain/100-Days-Of-ML-Code)。 # 目录 - [数据预处理](#数据预处理--第1天) - [简单线性回归](#简单线性回归--第2天) - [多元线性回归](#多元线性回归--第3天) - [逻辑回归](#逻辑回归--第4天) - [k近邻法(k-NN)](#k近邻法k-nn--第7天) - [支持向量机(SVM)](#支持向量机svm--第12天) - [决策树](#决策树--第23天) ## 数据预处理 | 第1天 [数据预处理实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%201_Data_Preprocessing.md)

## 简单线性回归 | 第2天 [简单线性回归实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day2_Simple_Linear_Regression.md)

## 多元线性回归 | 第3天 [多元线性回归实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day3_Multiple_Linear_Regression.md)

## 逻辑回归 | 第4天

## 逻辑回归 | 第5天 今天我深入研究了逻辑回归到底是什么,以及它背后的数学是什么。学习了如何计算代价函数,以及如何使用梯度下降法来将代价函数降低到最小。
由于时间关系,我将隔天发布信息图。如果有人在机器学习领域有一定经验,并愿意帮我编写代码文档,也了解github的Markdown语法,请在领英联系我。 ## 逻辑回归 | 第6天 [逻辑回归实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%206_Logistic_Regression.md) ## K近邻法(k-NN) | 第7天

## K近邻法(k-NN) | 第11天 [K近邻法(k-NN)实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%2011_K-NN.md) ## 支持向量机(SVM) | 第12天

## 支持向量机(SVM) | 第13天 [SVM实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%2013_SVM.md) ## 决策树 | 第23天

## 决策树 | 第25天 [决策树实现](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%2025%20Decision_Tree.md) ## 随机森林 | 第33天