def depth_tree(tree_node):
    if tree_node is not None:
        print (tree_node._data)
        if tree_node._left is not None:
            return depth_tree(tree_node.left)
        if tree_node._right is not None:
            return depth_tree(tree_node,_right)

LeetCode 深度优先遍历：https://mp.weixin.qq.com/s/399HlssIRUn4QsUBVwidcw

广度优先

def level_queue(root):
    #利用队列实现树的广度优先遍历
    if root is None:
        return
    my_queue = []
    node = root
    my_queue.append(node)
    while my_queue:
        node = my_queue.pop(0)
        print (node.elem)
        if node.lchild is not None:
            my_queue.append(node.lchild)
        if node.rchild is not None:
            my_queue.append(node.rchild)

参考：
python 实现二叉树的深度&&广度优先遍历
几道和「二叉树」有关的算法面试题：https://mp.weixin.qq.com/s/AHmQN920hLar85T6PHZhoA
深度优先遍历和广度优先遍历：https://mp.weixin.qq.com/s/WA5hQXkcACIarcdVnRnuiw

二分查找

# 还有一点问题，元素多的时候会出现None。
def binary_search(list, item):
    """
    传入列表，和要对比的值item，item在列表中会返回元素所在位置下标值，不在列表中返回None。
    :param list: 传入一个列表
    :param item: 要对比的值
    :return: None or list[x]
    """
    low = 0
    high = len(list)-1

    while low <= high:
        mid = int((low + high)/2)  #获取中间元素的下标，这里要为整数，不能为浮点值
        guess = list[mid]          #获取中间元素的值
        if guess == item:
            return mid             #返回该元素的下标
        if guess > item:
            high = mid - 1
        else:
            low = mid + 1
    return None

# 测试
my_list = [1, 3, 5, 7, 9]
print(binary_search(my_list, 5))
#结果是：2

AVL（自平衡二叉查找树）

https://mp.weixin.qq.com/s/bGeEj_ATiu134DPnKL9WNg

2-3树

是在二叉搜索树 (BST) 和二叉平衡树 (AVL)的基础上进行了优化
https://mp.weixin.qq.com/s/qqugzuLxJ8ja7oyMgn7bEQ

决策树

Github：https://github.com/tushushu/imylu/blob/master/examples/decision_tree_example.py

https://github.com/tushushu/imylu/blob/master/imylu/utils.py
https://github.com/tushushu/imylu/blob/master/imylu/tree/decision_tree.py

梯度下降

https://mp.weixin.qq.com/s/k26Fm0GL3fdVA9VbQIVAuQ

回归树

原理介绍：
https://mp.weixin.qq.com/s/bOMn489s3HEuzZ3iuVCbJw
https://mp.weixin.qq.com/s/CmTE_EvmvnawWDqjS3eUXQ
https://github.com/tushushu/imylu/blob/master/docs_cn/regression_tree.md
Github：https://github.com/tushushu/imylu/blob/master/examples/regression_tree_example.py
Github：https://github.com/tushushu/Imylu/blob/master/regression_tree.py

https://github.com/tushushu/imylu/blob/master/imylu/utils.py
https://github.com/tushushu/imylu/blob/master/imylu/tree/regression_tree.py

GBDT(梯度提升决策树)

GBDT回归的原理及Python实现:https://mp.weixin.qq.com/s/t7kxG9_6ZBIKpuKFZBU0Jg
GBDT分类的原理及Python实现：https://mp.weixin.qq.com/s/JEGSQcCBxQgfhiuh9XpIEg
GBDT梯度提升决策树:https://www.jianshu.com/p/005a4e6ac775

梯度提升决策树

https://github.com/tushushu/imylu/blob/master/imylu/ensemble/gbdt_base.py

ThunderGBM

快成一道闪电的梯度提升决策树
https://mp.weixin.qq.com/s/wCxiN1ZcnHZtOch5loOnlA
GitHub：https://github.com/Xtra-Computing/thundergbm

GBDT_classifier(梯度提升决策树分类器)

https://github.com/tushushu/imylu/blob/master/docs_cn/gbdt_classifier.md
Github:https://github.com/tushushu/imylu/blob/master/examples/gbdt_classifier_example.py

https://github.com/tushushu/imylu/blob/master/imylu/utils.py
https://github.com/tushushu/imylu/blob/master/imylu/ensemble/gbdt_classifier.py

GBDT_regressor(梯度提升决策树回归子)

https://github.com/tushushu/imylu/blob/master/docs_cn/gbdt_regressor.md
Github：https://github.com/tushushu/imylu/blob/master/examples/gbdt_regressor_example.py

https://github.com/tushushu/imylu/blob/master/imylu/ensemble/gbdt_regressor.py

高斯朴素贝叶斯

从头开始实现朴素贝叶斯算法;原文：

Github：https://github.com/tushushu/imylu/blob/master/examples/gaussian_nb_example.py

https://github.com/tushushu/imylu/blob/master/imylu/probability_model/gaussian_nb.py

Isolation Forest(孤立森林、孤立点检测)

一种高效的异常检测算法，它和随机森林类似，但每次选择划分属性和划分点（值）时都是随机的，而不是根据信息增益或者基尼指数来选择。在建树过程中，如果一些样本很快就到达了叶子节点（即叶子到根的距离d很短），那么就被认为很有可能是异常点。因为那些路径d比较短的样本，都是因为距离主要的样本点分布中心比较远的。也就是说，可以通过计算样本在所有树中的平均路径长度来寻找异常点。

参考：
https://blog.csdn.net/ye1215172385/article/details/79762317
https://github.com/tushushu/imylu/blob/master/examples/isolation_forest_example.py

https://github.com/tushushu/imylu/blob/master/imylu/ensemble/isolation_forest.py

k-d树

k-d树（k-dimensional tree的简称），是一种分割k维数据空间的数据结构，它是用来计算 kNN 的一个非常常用的工具。主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。是一个包含空间信息的二项树数据结构，如果特征的维度是 DD，样本的数量是 NN，那么一般来讲 kd 树算法的复杂度是 O(DlogN)O(Dlog⁡N)，相比于穷算的 O(DN)O(DN) 省去了非常多的计算量。
https://www.joinquant.com/post/2627
https://zhuanlan.zhihu.com/p/23966698

https://github.com/tushushu/imylu/blob/master/imylu/utils.py
https://github.com/tushushu/imylu/blob/master/imylu/neighbors/kd_tree.py

降维算法

常见降维算法实现：https://github.com/heucoder/dimensionality_reduction_alo_codes

图

什么是 “图”？：https://mp.weixin.qq.com/s/FGwRyNAIr1VFzcV4IUOgSA
数据结构与算法—\—图论基础与图存储结构：https://mp.weixin.qq.com/s/EjO9CwwDsYxU3uUDno8lHA

Max Heap最大堆(大顶堆)

最大堆是指最大的元素在堆顶的堆。

https://blog.csdn.net/yuhentian/article/details/80159284
https://mp.weixin.qq.com/s/Rkqlfld44hvL0mjra44zNA
https://github.com/tushushu/imylu/blob/master/imylu/neighbors/max_heap.py
https://github.com/tushushu/imylu/blob/master/examples/max_heap_example.py

窗口最大值数组

https://mp.weixin.qq.com/s/u5Bmxf3L0FLtPBokw78jJQ

RandomForest(随机森林)

理解随机森林：基于Python的实现和解释；Jupyter Notebook

https://blog.csdn.net/qq547276542/article/details/78304454

https://github.com/tushushu/imylu/blob/master/imylu/ensemble/random_forest.py

Linear Regression(线性回归)

https://blog.csdn.net/july_sun/article/details/53223962
https://blog.csdn.net/u011775523/article/details/52758734
拒绝调包，如何用python推导线性回归模型：https://mp.weixin.qq.com/s/c2PaD43d3p8iWVwLRW6Ppw

https://github.com/tushushu/imylu/blob/master/imylu/linear_model/linear_regression.py

Logistic Regression(逻辑回归)

https://blog.csdn.net/programmer_wei/article/details/52072939
https://www.cnblogs.com/sparkwen/p/3441197.html

https://github.com/tushushu/imylu/blob/master/imylu/linear_model/logistic_regression.py

参考资料：
https://github.com/imhuay/Algorithm_Interview_Notes-Chinese/tree/master/%E7%AE%97%E6%B3%95

马拉车算法

如何找到字符串中的最长回文子串？
https://mp.weixin.qq.com/s/Zrj35DrnQKtAENiR5llrcw

算法面试中经常问的「字符串」问题

https://mp.weixin.qq.com/s/4Pci2an1HJ-8CRQJpWp7oQ

ElasticRec

ElasticRec是基于Kubernetes的企业级推荐系统解决方案，该方案融合了百度业务场景下经过不断验证打磨的CTR模型、基于飞桨框架的大规模分布式训练、工业级稀疏参数Serving组件，帮助用户在Kubernetes环境中一键完成推荐系统架构部署，快速搭建和验证CTR模型训练和预测效果，具备高性能、工业级部署、端到端体验及二次深度开发的特性。

https://github.com/PaddlePaddle/ElasticRec