homemade machine learning
1.0.0
?? УКРАИНА НАПАДАЕТ РОССИЙСКАЯ АРМИЯ. УБИВАЮТ ГРАЖДАНСКИХ ЖИТЕЛЕЙ. БОМБЯТ ЖИЛЫЕ РАЙОНЫ.
- Помогите Украине через:
- Благотворительный фонд Сергея Притулы
- Благотворительный фонд «Вернись живым»
- Национальный банк Украины
- Подробная информация на сайте war.ukraine.ua и МИД Украины.
Прочтите это на других языках: Español
Вас может заинтересовать:
- Самодельный GPT • JS
- Интерактивные эксперименты по машинному обучению
Для версии этого репозитория Octave/MatLab проверьте проект машинного обучения Octave.
Этот репозиторий содержит примеры популярных алгоритмов машинного обучения, реализованных на Python, с объяснением лежащей в их основе математики. Каждый алгоритм имеет интерактивную демо-версию Jupyter Notebook , которая позволяет вам играть с обучающими данными, конфигурациями алгоритмов и сразу же видеть результаты, диаграммы и прогнозы прямо в браузере . В большинстве случаев объяснения основаны на замечательном курсе машинного обучения Эндрю Нга.
Целью этого репозитория является не реализация алгоритмов машинного обучения с использованием однострочников сторонних библиотек , а скорее практика реализации этих алгоритмов с нуля и лучшее понимание математики, лежащей в основе каждого алгоритма. Именно поэтому все реализации алгоритмов называются «самодельными» и не предназначены для использования в производстве.
При обучении с учителем у нас есть набор обучающих данных в качестве входных данных и набор меток или «правильных ответов» для каждого обучающего набора в качестве выходных данных. Затем мы обучаем нашу модель (параметры алгоритма машинного обучения) правильному сопоставлению входных данных с выходными (чтобы делать правильный прогноз). Конечная цель — найти такие параметры модели, которые будут успешно продолжать правильное сопоставление входных и выходных данных (прогнозы) даже для новых примеров входных данных.
В задачах регрессии мы делаем прогнозы реальных значений. По сути, мы пытаемся нарисовать линию/плоскость/n-мерную плоскость по обучающим примерам.
Примеры использования: прогноз курса акций, анализ продаж, зависимость любого числа и т.д.
country happiness по economy GDPcountry happiness по economy GDP и freedom indexВ задачах классификации мы разделяем входные примеры по определенным характеристикам.
Примеры использования: спам-фильтры, определение языка, поиск похожих документов, распознавание рукописных букв и т.д.
class цветка ириса на основе petal_length и petal_widthvalidity микрочипа на основе param_1 и param_228x28 пикселей.28x28 пикселей. Обучение без учителя — это отрасль машинного обучения, которая учится на тестовых данных, которые не были помечены, классифицированы или категоризированы. Вместо того, чтобы реагировать на обратную связь, обучение без учителя выявляет общие черты в данных и реагирует на основе наличия или отсутствия таких общих черт в каждом новом фрагменте данных.
В задачах кластеризации мы разбиваем обучающие примеры по неизвестным характеристикам. Алгоритм сам решает, какую характеристику использовать для разделения.
Примеры использования: сегментация рынка, анализ социальных сетей, организация вычислительных кластеров, анализ астрономических данных, сжатие изображений и т. д.
petal_length и petal_widthОбнаружение аномалий (также обнаружение выбросов) — это идентификация редких элементов, событий или наблюдений, которые вызывают подозрения, поскольку значительно отличаются от большинства данных.
Примеры использования: обнаружение вторжений, обнаружение мошенничества, мониторинг работоспособности системы, удаление аномальных данных из набора данных и т. д.
latency и threshold Нейронная сеть сама по себе не является алгоритмом, а скорее основой для совместной работы множества различных алгоритмов машинного обучения и обработки сложных входных данных.
Примеры использования: в качестве замены всех других алгоритмов в целом, распознавания изображений, распознавания голоса, обработки изображений (с применением определенного стиля), языкового перевода и т. д.
28x28 пикселей.28x28 пикселей. 
Источником следующей карты тем машинного обучения является этот замечательный пост в блоге.
Убедитесь, что на вашем компьютере установлен Python.
Возможно, вы захотите использовать стандартную библиотеку Python venv для создания виртуальных сред и установки и обслуживания Python, pip и всех зависимых пакетов из локального каталога проекта, чтобы избежать путаницы с общесистемными пакетами и их версиями.
Установите все зависимости, необходимые для проекта, выполнив:
pip install -r requirements.txtВсе демонстрации в проекте можно запускать прямо в браузере без локальной установки Jupyter. Но если вы хотите запустить Jupyter Notebook локально, вы можете сделать это, выполнив следующую команду из корневой папки проекта:
jupyter notebook После этого блокнот Jupyter будет доступен по адресу http://localhost:8888 .
Каждый раздел алгоритма содержит демонстрационные ссылки на Jupyter NBViewer. Это быстрый онлайн-просмотр для ноутбуков Jupyter, где вы можете увидеть демонстрационный код, диаграммы и данные прямо в браузере, не устанавливая ничего локально. Если вы хотите изменить код и поэкспериментировать с демонстрационным блокнотом, вам необходимо запустить блокнот в Binder. Вы можете сделать это, просто щелкнув ссылку «Выполнить в Binder» в правом верхнем углу NBViewer.
Список наборов данных, которые используются для демонстраций Jupyter Notebook, можно найти в папке данных.
Вы можете поддержать этот проект через ❤️️ GitHub или ❤️️ Patreon.
