MLAlgorithms

Algorithmen für maschinelles Lernen

Eine Sammlung minimaler und sauberer Implementierungen von Algorithmen für maschinelles Lernen.

Warum?

Dieses Projekt richtet sich an Personen, die die Interna von ML-Algorithmen erlernen oder diese von Grund auf implementieren möchten.
Der Code ist viel einfacher zu befolgen als die optimierten Bibliotheken und einfacher zu spielen.
Alle Algorithmen sind in Python implementiert und verwenden Numpy, Scipy und Autograd.

Umgesetzt:

• Deep Learning (MLP, CNN, RNN, LSTM)
• Lineare Regression, logistische Regression
• Zufällige Wälder
• Support Vector Machine (SVM) mit Kerneln (Linear, Poly, RBF)
• K-Mittel
• Gaußsches Mischungsmodell
• K-nächste Nachbarn
• Naive Bayes
• Hauptkomponentenanalyse (PCA)
• Faktorisierungsmaschinen
• Eingeschränkte Boltzmann-Maschine (RBM)
• t-verteilte stochastische Nachbareinbettung (t-SNE)
• Gradient Boosting-Bäume (auch bekannt als GBDT, GBRT, GBM, XGBoost)
• Verstärkungslernen (Deep Q Learning)

Installation

        git clone https://github.com/rushter/MLAlgorithms
        cd MLAlgorithms
        pip install scipy numpy
        python setup.py develop

So führen Sie Beispiele ohne Installation aus

        cd MLAlgorithms
        python -m examples.linear_models

So führen Sie Beispiele in Docker aus

        cd MLAlgorithms
        docker build -t mlalgorithms .
        docker run --rm -it mlalgorithms bash
        python -m examples.linear_models

Mitwirken

Ihre Beiträge sind jederzeit willkommen!
Fühlen Sie sich frei, vorhandenen Code und Dokumentation zu verbessern oder einen neuen Algorithmus zu implementieren.
Bitte öffnen Sie ein Problem, um Ihre Änderungen vorzuschlagen, sofern diese groß genug sind.