homemade machine learning
1.0.0
?? 우크라이나가 러시아 군대의 공격을 받고 있습니다. 민간인들이 살해당하고 있습니다. 주거 지역이 폭격을 받고 있습니다.
- 다음을 통해 우크라이나를 도와주세요:
- Serhiy Prytula 자선 재단
- 컴백얼라이브 자선재단
- 우크라이나 국립은행
- war.ukraine.ua 및 우크라이나 MFA에 대한 추가 정보
다른 언어로 읽어 보세요: Español
당신은 다음에 관심이 있을 수 있습니다:
- 직접 만든 GPT • JS
- 대화형 기계 학습 실험
이 저장소의 Octave/MatLab 버전은 machine-learning-octave 프로젝트를 확인하세요.
이 저장소에는 Python 으로 구현된 인기 있는 기계 학습 알고리즘의 예가 포함되어 있으며 그 뒤에 숨겨진 수학이 설명되어 있습니다. 각 알고리즘에는 훈련 데이터, 알고리즘 구성을 가지고 놀고 브라우저에서 바로 결과, 차트 및 예측을 즉시 볼 수 있는 대화형 Jupyter Notebook 데모가 있습니다. 대부분의 경우 설명은 Andrew Ng의 훌륭한 기계 학습 과정을 기반으로 합니다.
이 저장소의 목적은 타사 라이브러리 단일 라이너를 사용하여 기계 학습 알고리즘을 구현하는 것이 아니라 처음부터 이러한 알고리즘 구현을 연습하고 각 알고리즘 뒤에 있는 수학을 더 잘 이해하는 것입니다. 그렇기 때문에 모든 알고리즘 구현을 "수제"라고 하며 프로덕션에 사용하도록 의도되지 않았습니다.
지도 학습에서는 일련의 훈련 데이터를 입력으로, 각 훈련 세트에 대한 레이블 세트 또는 "정답"을 출력으로 갖습니다. 그런 다음 입력을 출력에 올바르게 매핑하기 위해(올바른 예측을 수행하기 위해) 모델(기계 학습 알고리즘 매개 변수)을 교육합니다. 궁극적인 목적은 새로운 입력 사례에 대해서도 올바른 입력→출력 매핑(예측)을 성공적으로 계속할 수 있는 모델 매개변수를 찾는 것입니다.
회귀 문제에서는 실제 가치 예측을 수행합니다. 기본적으로 우리는 학습 예제를 따라 선/평면/n차원 평면을 그리려고 합니다.
사용예시 : 주가예측, 매출분석, 임의숫자 의존성 등
economy GDP 기준으로 country happiness 점수를 예측합니다.economy GDP 및 freedom index 기준으로 country happiness 점수를 예측합니다.분류 문제에서는 특정 특성에 따라 입력 예제를 분할합니다.
사용 예: 스팸 필터, 언어 감지, 유사 문서 찾기, 필기체 인식 등
petal_length 및 petal_width 기준으로 붓꽃 class 예측합니다.param_1 및 param_2 기반으로 마이크로칩 validity 예측28x28 픽셀 이미지에서 손으로 쓴 숫자를 인식합니다.28x28 픽셀 이미지에서 옷 유형 인식 비지도 학습은 레이블이 지정되거나 분류되지 않은 테스트 데이터로부터 학습하는 기계 학습의 한 분야입니다. 비지도 학습은 피드백에 응답하는 대신 데이터의 공통점을 식별하고 각각의 새로운 데이터에서 이러한 공통점의 유무에 따라 반응합니다.
클러스터링 문제에서는 훈련 예제를 알 수 없는 특성으로 분할합니다. 알고리즘 자체는 분할에 사용할 특성을 결정합니다.
사용 사례: 시장 세분화, 소셜 네트워크 분석, 컴퓨팅 클러스터 구성, 천문학 데이터 분석, 이미지 압축 등
petal_length 및 petal_width 기준으로 아이리스 꽃을 클러스터로 분할합니다.이상치 탐지(이상값 탐지라고도 함)는 대부분의 데이터와 크게 달라 의심을 불러일으키는 희귀 항목, 이벤트 또는 관찰을 식별하는 것입니다.
사용 예: 침입 감지, 사기 감지, 시스템 상태 모니터링, 데이터 세트에서 변칙 데이터 제거 등
latency 및 threshold 과 같은 서버 운영 매개변수의 이상 항목을 찾습니다. 신경망 자체는 알고리즘이 아니라 다양한 기계 학습 알고리즘이 함께 작동하고 복잡한 데이터 입력을 처리하기 위한 프레임워크입니다.
사용예 : 일반적으로 다른 모든 알고리즘을 대체하는 이미지 인식, 음성 인식, 이미지 처리(특정 스타일 적용), 언어 번역 등
28x28 픽셀 이미지에서 손으로 쓴 숫자를 인식합니다.28x28 픽셀 이미지에서 옷 유형 인식 
다음 기계 학습 주제 맵의 소스는 이 멋진 블로그 게시물입니다.
컴퓨터에 Python이 설치되어 있는지 확인하십시오.
venv 표준 Python 라이브러리를 사용하여 가상 환경을 만들고 Python, pip 및 모든 종속 패키지를 로컬 프로젝트 디렉터리에서 설치 및 제공하여 시스템 전체 패키지와 해당 버전이 손상되는 것을 방지할 수 있습니다.
다음을 실행하여 프로젝트에 필요한 모든 종속성을 설치합니다.
pip install -r requirements.txt프로젝트의 모든 데모는 Jupyter를 로컬에 설치하지 않고도 브라우저에서 직접 실행할 수 있습니다. 그러나 Jupyter Notebook을 로컬에서 시작하려면 프로젝트의 루트 폴더에서 다음 명령을 실행하면 됩니다.
jupyter notebook 이후 Jupyter Notebook은 http://localhost:8888 에서 액세스할 수 있습니다.
각 알고리즘 섹션에는 Jupyter NBViewer에 대한 데모 링크가 포함되어 있습니다. 이것은 로컬에 아무것도 설치하지 않고도 브라우저에서 바로 데모 코드, 차트 및 데이터를 볼 수 있는 Jupyter 노트북용 빠른 온라인 미리보기입니다. 코드를 변경 하고 데모 노트북을 실험 하려면 바인더에서 노트북을 실행해야 합니다. NBViewer의 오른쪽 상단에 있는 "바인더에서 실행" 링크를 클릭하기만 하면 됩니다.
Jupyter Notebook 데모에 사용되는 데이터 세트 목록은 데이터 폴더에서 찾을 수 있습니다.
❤️️ GitHub 또는 ❤️️ Patreon을 통해 이 프로젝트를 지원할 수 있습니다.
