homemade machine learning
1.0.0
??烏克蘭正在遭到俄羅斯軍隊的攻擊。平民正在被殺害。住宅區遭到轟炸。
- 透過以下方式幫助烏克蘭：
- 謝爾希·普里圖拉慈善基金會
- 活著回來慈善基金會
- 烏克蘭國家銀行
- 更多資訊請上 war.ukraine.ua 和烏克蘭外交部
閱讀其他語言版本：西班牙語
您可能感興趣：
- 自製 GPT • JS
- 互動式機器學習實驗
對於此儲存庫的 Octave/MatLab 版本，請檢查 machine-learning-octave 專案。
該存儲庫包含用Python實現的流行機器學習演算法的範例，並解釋了它們背後的數學原理。每個演算法都有互動式Jupyter Notebook演示，讓您可以使用訓練資料、演算法配置，並立即在瀏覽器中查看結果、圖表和預測。在大多數情況下，解釋都是基於 Andrew Ng 的這門精彩的機器學習課程。
該儲存庫的目的不是透過使用第三方庫單行程式碼來實現機器學習演算法，而是練習從頭開始實現這些演算法，並更好地理解每個演算法背後的數學。這就是為什麼所有演算法實作都被稱為“自製”並且不打算用於生產。
在監督式學習中，我們將一組訓練資料作為輸入，將每個訓練集的一組標籤或「正確答案」作為輸出。然後我們訓練我們的模型（機器學習演算法參數）以將輸入正確地映射到輸出（以進行正確的預測）。最終目的是找到這樣的模型參數，即使對於新的輸入範例，也能成功地繼續正確的輸入→輸出映射（預測）。
在迴歸問題中，我們進行實值預測。基本上，我們嘗試沿著訓練範例繪製一條線/平面/n 維平面。
使用範例：股價預測、銷售分析、任意數字的依賴性等。
economy GDP預測country happiness得分economy GDP和freedom index預測country happiness得分在分類問題中，我們按某些特徵分割輸入範例。
使用範例：垃圾郵件過濾器、語言偵測、尋找類似文件、手寫字母辨識等。
petal_length和petal_width預測鳶尾花classparam_1和param_2預測微晶片validity28x28像素影像中辨識手寫數字28x28像素影像中辨識衣服類型無監督學習是機器學習的一個分支，它從未經標記、分類或歸類的測試資料中學習。無監督學習不是對回饋做出回應，而是識別資料中的共通性，並根據每個新資料中是否存在此類共性做出反應。
在聚類問題中，我們以未知特徵分割訓練樣本。演算法本身決定使用什麼特徵進行分割。
使用範例：市場區隔、社群網路分析、組織運算群集、天文資料分析、影像壓縮等。
petal_length和petal_width將鳶尾花分成簇異常檢測（也稱為異常值檢測）是指識別因與大多數數據顯著不同而引起懷疑的罕見項目、事件或觀察結果。
使用範例：入侵偵測、詐欺偵測、系統健康監控、從資料集中刪除異常資料等。
latency和threshold 神經網路本身不是一種演算法，而是許多不同機器學習演算法協同工作並處理複雜資料輸入的框架。
使用範例：作為一般所有其他演算法的替代，影像辨識、語音辨識、影像處理（應用特定風格）、語言翻譯等。
28x28像素影像中辨識手寫數字28x28像素影像中辨識衣服類型
以下機器學習主題圖的來源是這篇精彩的部落格文章
確保您的電腦上安裝了 Python。
您可能想要使用 venv 標準 Python 程式庫來建立虛擬環境，並從本機專案目錄安裝和提供 Python、 pip和所有依賴套件，以避免弄亂系統範圍的套件及其版本。
透過執行以下命令安裝專案所需的所有依賴項：
pip install -r requirements.txt專案中的所有演示都可以直接在瀏覽器中運行，無需在本機安裝 Jupyter。但是，如果您想在本機啟動 Jupyter Notebook，您可以透過從專案的根資料夾執行以下命令來實現：
jupyter notebook之後，可以透過http://localhost:8888存取此 Jupyter Notebook。
每個演算法部分都包含 Jupyter NBViewer 的演示連結。這是 Jupyter 筆記本的快速線上預覽器，您可以直接在瀏覽器中看到演示程式碼、圖表和數據，而無需在本地安裝任何內容。如果您想更改程式碼並嘗試示範筆記本，則需要在 Binder 中啟動筆記本。您只需點擊 NBViewer 右上角的「在 Binder 上執行」連結即可完成此操作。
用於 Jupyter Notebook 演示的資料集清單可以在資料資料夾中找到。
您可以透過❤️️ GitHub 或❤️️ Patreon 支持此專案。
