# 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