MLAlgorithms

Algorithmes d'apprentissage automatique

Une collection d’implémentations minimales et propres d’algorithmes d’apprentissage automatique.

Pourquoi?

Ce projet cible les personnes qui souhaitent apprendre les principes internes des algorithmes ML ou les implémenter à partir de zéro.
Le code est beaucoup plus facile à suivre que les bibliothèques optimisées et plus facile à jouer.
Tous les algorithmes sont implémentés en Python, en utilisant numpy, scipy et autograd.

Mis en œuvre :

• Apprentissage profond (MLP, CNN, RNN, LSTM)
• Régression linéaire, régression logistique
• Forêts aléatoires
• Machine à vecteurs de support (SVM) avec noyaux (Linear, Poly, RBF)
• K-Moyennes
• Modèle de mélange gaussien
• K-voisins les plus proches
• Bayes naïfs
• Analyse en composantes principales (ACP)
• Machines de factorisation
• Machine Boltzmann restreinte (RBM)
• Intégration de voisin stochastique distribué t (t-SNE)
• Arbres de gradient boosting (également connus sous le nom de GBDT, GBRT, GBM, XGBoost)
• Apprentissage par renforcement (apprentissage Deep Q)

Installation

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

Comment exécuter des exemples sans installation

        cd MLAlgorithms
        python -m examples.linear_models

Comment exécuter des exemples dans Docker

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

Contribuer

Vos contributions sont toujours les bienvenues !
N'hésitez pas à améliorer le code existant, la documentation ou à implémenter un nouvel algorithme.
Veuillez ouvrir un ticket pour proposer vos modifications si elles sont suffisamment importantes.