homemade machine learning
1.0.0
??ウクライナがロシア軍に攻撃されている。民間人が殺され続けています。住宅地が爆撃を受けています。
- 以下を通じてウクライナを支援してください:
- セルヒイ・プリトゥラ慈善財団
- カム・バック・アライブ・チャリティー財団
- ウクライナ国立銀行
- war.ukraine.ua とウクライナの MFA に関する詳細情報
他の言語で読む:スペイン語
あなたは次のことに興味があるかもしれません:
- 自家製GPT・JS
- インタラクティブな機械学習の実験
このリポジトリの Octave/MatLab バージョンについては、machine-learning-octave プロジェクトを確認してください。
このリポジトリには、 Pythonで実装された一般的な機械学習アルゴリズムの例が含まれており、その背後にある数学が説明されています。各アルゴリズムにはインタラクティブなJupyter Notebookデモがあり、トレーニング データ、アルゴリズム構成を操作して、結果、グラフ、予測をブラウザーですぐに確認できます。ほとんどの場合、説明は Andrew Ng によるこの素晴らしい機械学習コースに基づいています。
このリポジトリの目的は、サードパーティ ライブラリのワンライナーを使用して機械学習アルゴリズムを実装することではなく、これらのアルゴリズムを最初から実装する練習をし、各アルゴリズムの背後にある数学をより深く理解することです。そのため、すべてのアルゴリズム実装は「自家製」と呼ばれ、運用環境での使用を意図していません。
教師あり学習では、入力としてトレーニング データのセットがあり、出力として各トレーニング セットのラベルまたは「正解」のセットがあります。次に、入力を出力に正しくマッピングする (正しい予測を行う) ためにモデル (機械学習アルゴリズムのパラメーター) をトレーニングします。最終的な目的は、新しい入力例に対しても正しい入力→出力マッピング (予測) を正常に継続できるようなモデル パラメーターを見つけることです。
回帰問題では、実数値の予測を行います。基本的に、トレーニング例に沿って線/平面/n 次元平面を描画しようとします。
使用例: 株価予測、売上分析、任意の数値の依存関係など。
economy GDP別にcountry happinessスコアを予測しますeconomy GDPとfreedom indexに基づいてcountry happinessスコアを予測します分類問題では、入力例を特定の特性ごとに分割します。
使用例: スパムフィルター、言語検出、類似文書の検索、手書き文字認識など。
petal_lengthとpetal_widthに基づいてアイリスの花のclassを予測しますparam_1とparam_2に基づいてマイクロチップのvalidityを予測します。28x28ピクセルの画像から手書きの数字を認識します28x28ピクセルの画像から衣服の種類を認識します教師なし学習は、ラベル付け、分類、分類されていないテスト データから学習する機械学習の分野です。教師なし学習では、フィードバックに応答するのではなく、データ内の共通点を特定し、新しいデータごとにそのような共通点の有無に基づいて反応します。
問題のクラスタリングでは、トレーニング例を未知の特性ごとに分割します。アルゴリズム自体が、分割にどの特性を使用するかを決定します。
使用例: 市場セグメンテーション、ソーシャル ネットワーク分析、コンピューティング クラスターの組織化、天文データ分析、画像圧縮など。
petal_lengthとpetal_widthに基づいてアイリスの花をクラスターに分割します異常検出 (外れ値検出とも) は、データの大部分と大きく異なることで疑いを引き起こす、まれな項目、イベント、または観察を特定することです。
使用例: 侵入検知、不正行為検知、システム健全性監視、データセットからの異常データの削除など。
latencyやthresholdなどのサーバー運用パラメータの異常を検出します。 ニューラル ネットワーク自体はアルゴリズムではなく、多くの異なる機械学習アルゴリズムが連携して複雑なデータ入力を処理するためのフレームワークです。
使用例: 他のすべてのアルゴリズム一般、画像認識、音声認識、画像処理 (特定のスタイルの適用)、言語翻訳などの代替として。
28x28ピクセルの画像から手書きの数字を認識します28x28ピクセルの画像から衣服の種類を認識します
次の機械学習トピック マップのソースは、この素晴らしいブログ投稿です。
マシンに Python がインストールされていることを確認してください。
venv 標準 Python ライブラリを使用して仮想環境を作成し、Python、 pip 、およびすべての依存パッケージをローカル プロジェクト ディレクトリからインストールして提供することで、システム全体のパッケージとそのバージョンを混乱させることを避けることができます。
以下を実行して、プロジェクトに必要なすべての依存関係をインストールします。
pip install -r requirements.txtプロジェクト内のすべてのデモは、Jupyter をローカルにインストールしなくても、ブラウザーで直接実行できます。ただし、Jupyter Notebook をローカルで起動したい場合は、プロジェクトのルート フォルダーから次のコマンドを実行して実行できます。
jupyter notebookこれ以降、Jupyter Notebook はhttp://localhost:8888からアクセスできるようになります。
各アルゴリズム セクションには、Jupyter NBViewer へのデモ リンクが含まれています。これは Jupyter ノートブック用の高速オンライン プレビューアーであり、ローカルに何もインストールしなくても、デモ コード、チャート、データをブラウザーで直接確認できます。コードを変更してデモ ノートブックを試したい場合は、Binder でノートブックを起動する必要があります。 NBViewer の右上隅にある「バインダー上で実行」リンクをクリックするだけで実行できます。
Jupyter Notebook のデモに使用されているデータセットのリストは、データ フォルダーにある場合があります。
❤️️ GitHub または ❤️️ Patreon を通じてこのプロジェクトをサポートできます。
