MLAlgorithms

Алгоритмы машинного обучения

Коллекция минимальных и чистых реализаций алгоритмов машинного обучения.

Почему?

Этот проект ориентирован на людей, которые хотят изучить внутреннее устройство алгоритмов машинного обучения или реализовать их с нуля.
За кодом гораздо проще следить, чем за оптимизированными библиотеками, и с ним легче играть.
Все алгоритмы реализованы на Python с использованием numpy, scipy и autograd.

Реализовано:

• Глубокое обучение (MLP, CNN, RNN, LSTM)
• Линейная регрессия, логистическая регрессия
• Случайные леса
• Машина опорных векторов (SVM) с ядрами (Linear, Poly, RBF)
• K-средние
• Модель гауссовой смеси
• К-ближайшие соседи
• Наивный Байес
• Анализ главных компонентов (PCA)
• Факторизационные машины
• Ограниченная машина Больцмана (RBM)
• t-распределенное стохастическое вложение соседей (t-SNE)
• Деревья градиентного повышения (также известные как GBDT, GBRT, GBM, XGBoost)
• Обучение с подкреплением (обучение Deep Q)

Установка

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

Как запустить примеры без установки

        cd MLAlgorithms
        python -m examples.linear_models

Как запускать примеры в Docker

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

Содействие

Ваш вклад всегда приветствуется!
Не стесняйтесь улучшать существующий код, документацию или внедрять новый алгоритм.
Пожалуйста, откройте проблему, чтобы предложить свои изменения, если они достаточно велики.