homemade machine learning
1.0.0
??乌克兰正在遭到俄罗斯军队的攻击。平民正在被杀害。住宅区遭到轰炸。
- 通过以下方式帮助乌克兰：
- 谢尔希·普里图拉慈善基金会
- 活着回来慈善基金会
- 乌克兰国家银行
- 更多信息请访问 war.ukraine.ua 和乌克兰外交部
阅读其他语言版本：西班牙语
您可能感兴趣：
- 自制 GPT • JS
- 交互式机器学习实验
对于此存储库的 Octave/MatLab 版本，请检查 machine-learning-octave 项目。
该存储库包含用Python实现的流行机器学习算法的示例，并解释了它们背后的数学原理。每个算法都有交互式Jupyter Notebook演示，让您可以使用训练数据、算法配置，并立即在浏览器中查看结果、图表和预测。在大多数情况下，解释都是基于 Andrew Ng 的这门精彩的机器学习课程。
该存储库的目的不是通过使用第三方库单行代码来实现机器学习算法，而是练习从头开始实现这些算法，并更好地理解每个算法背后的数学。这就是为什么所有算法实现都被称为“自制”并且不打算用于生产。
在监督学习中，我们将一组训练数据作为输入，将每个训练集的一组标签或“正确答案”作为输出。然后我们训练我们的模型（机器学习算法参数）以将输入正确映射到输出（以进行正确的预测）。最终目的是找到这样的模型参数，即使对于新的输入示例，也能成功地继续正确的输入→输出映射（预测）。
在回归问题中，我们进行实值预测。基本上，我们尝试沿着训练样例绘制一条线/平面/n 维平面。
使用示例：股价预测、销售分析、任意数字的依赖性等。
economy GDP预测country happiness得分economy GDP和freedom index预测country happiness得分在分类问题中，我们按某些特征分割输入示例。
使用示例：垃圾邮件过滤器、语言检测、查找相似文档、手写字母识别等。
petal_length和petal_width预测鸢尾花classparam_1和param_2预测微芯片validity28x28像素图像中识别手写数字28x28像素图像中识别衣服类型无监督学习是机器学习的一个分支，它从未经标记、分类或归类的测试数据中学习。无监督学习不是对反馈做出响应，而是识别数据中的共性，并根据每条新数据中是否存在此类共性做出反应。
在聚类问题中，我们按未知特征分割训练样本。算法本身决定使用什么特征进行分割。
使用示例：市场细分、社交网络分析、组织计算集群、天文数据分析、图像压缩等。
petal_length和petal_width将鸢尾花分成簇异常检测（也称为异常值检测）是指识别因与大多数数据显着不同而引起怀疑的罕见项目、事件或观察结果。
使用示例：入侵检测、欺诈检测、系统健康监控、从数据集中删除异常数据等。
latency和threshold 神经网络本身不是一种算法，而是许多不同机器学习算法协同工作并处理复杂数据输入的框架。
使用示例：作为一般所有其他算法的替代，图像识别、语音识别、图像处理（应用特定风格）、语言翻译等。
28x28像素图像中识别手写数字28x28像素图像中识别衣服类型
以下机器学习主题图的来源是这篇精彩的博客文章
确保您的计算机上安装了 Python。
您可能希望使用 venv 标准 Python 库来创建虚拟环境，并从本地项目目录安装和提供 Python、 pip和所有依赖包，以避免弄乱系统范围的包及其版本。
通过运行以下命令安装项目所需的所有依赖项：
pip install -r requirements.txt项目中的所有演示都可以直接在浏览器中运行，无需在本地安装 Jupyter。但是，如果您想在本地启动 Jupyter Notebook，您可以通过从项目的根文件夹运行以下命令来实现：
jupyter notebook之后，可以通过http://localhost:8888访问此 Jupyter Notebook。
每个算法部分都包含 Jupyter NBViewer 的演示链接。这是 Jupyter 笔记本的快速在线预览器，您可以直接在浏览器中看到演示代码、图表和数据，而无需在本地安装任何内容。如果您想更改代码并尝试演示笔记本，则需要在 Binder 中启动笔记本。您只需单击 NBViewer 右上角的“在 Binder 上执行”链接即可完成此操作。
用于 Jupyter Notebook 演示的数据集列表可以在数据文件夹中找到。
您可以通过❤️️ GitHub 或❤️️ Patreon 支持该项目。
