Github项目推荐 | Homemade Machine Learning - 自己动手实践机器学习算法

?通过交互式Jupyter演示和数学解释的流行机器学习算法的Python示例

项目地址:

https://github.com/trekhleb/homemade-machine-learning

【注:划线链接部分请点击底部“阅读原文”访问】

对于此仓库的Octave / MatLab版本,请查看 machine-learning-octave项目。

本仓库包含在Python中实现的流行机器学习算法的示例,其中包含算法背后的解释。 每个算法都有交互式Jupyter Notebook演示,你可以使用它来训练数据和算法配置,并立即在浏览器中查看结果、图表和预测。 在大多数情况下,算法的解释是基于Andrew Ng的伟大的机器学习课程

建立本项目的目的不是通过使用第三方库“one-liners”来实现机器学习算法,而是从头开始实践这些算法,并更好地理解每种算法背后的数学意义。 这就是为什么这里所有的算法实现都被称为“自制”并且不打算用于生产的原因。

监督学习

在监督学习中,我们将一组训练数据作为输入,并将每组训练集的标签或“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)以正确地将输入映射到输出(去做进行正确的预测)。 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)。

回归

在回归问题中,我们做实值预测。 基本上我们尝试沿着训练样例绘制线/平面/n维平面。

用法示例:股票价格预测,销售分析,任何数字的依赖性等。

?线性回归

? 数学| 线性回归 - 理论和进一步阅读的链接

⚙️代码| 线性回归 - 实现示例

▶️演示| 单变量线性回归 - 按经济GDP预测国家幸福指数

▶️演示| 多元线性回归 - 按经济GDP和自由指数预测国家幸福指数

▶️演示| 非线性回归 - 使用具有多项式和正弦特征的线性回归来预测非线性依赖性

分类

在分类问题中,我们可以通过某些特征分割输入示例。

用法示例:垃圾邮件过滤器,语言检测,查找类似文档,手写字母识别等。

?逻辑回归

? 数学| 逻辑回归 - 理论和进一步阅读的链接

⚙️代码| 逻辑回归 - 实现示例

▶️演示| 逻辑回归(线性边界) - 基于petal_length和petal_width预测虹膜花类

▶️演示| 逻辑回归(非线性边界) - 基于param_1和param_2预测微芯片有效性

▶️演示| 多元逻辑回归| MNIST - 识别28x28像素图像的手写数字

▶️演示| 多元逻辑回归| 时尚MNIST - 识别28x28像素图像的衣服类型

无监督学习

无监督学习是机器学习的一个分支,它从未经标记,分类或分类的测试数据中学习。 无监督学习不是响应反馈,而是识别数据中的共性,并根据每个新数据中是否存在这些共性做出反应。

聚类

在聚类问题中,我们根据未知的特征分割训练样本。 算法本身决定使用什么特征进行分割。

用法示例:市场细分、社交网络分析、计算集群组织、天文数据分析、图像压缩等。

?K-means算法

? 数学| K-means算法 - 理论和进一步阅读的链接

⚙️代码| K-means算法 - 实现示例

▶️演示| K-means算法 - 根据petal_length和petal_width将 鸢尾花分簇

异常检测

异常检测(也叫离群检测)是通过与大多数数据显着不同而引起怀疑的罕见项目,事件或观察的识别。

用法示例: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。

?使用高斯分布的异常检测

? 数学| 使用高斯分布的异常检测 - 理论和进一步阅读的链接

⚙️代码| 使用高斯分布的异常检测 - 实现示例

▶️演示| 异常检测 - 查找服务器操作参数(如延迟和阈值)中的异常

神经网络(NN)

神经网络本身不是一种算法,而是许多不同机器学习算法的框架,它们协同工作并处理复杂的数据输入。

用法示例: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(应用特定样式),语言翻译等。

?多层感知器(MLP)

? 数学 | 多层感知器 - 理论和进一步阅读的链接

⚙️代码| 多层感知器 - 实现示例

▶️演示| 多层感知器| MNIST - 识别28x28像素图像的手写数字

▶️演示| 多层感知器| 时尚MNIST - 识别28x28像素图像的衣服类型

机器学习脑图

以上机器学习主题脑图的来源是这篇精彩的博客文章

学习前的预备工作

安装Python

确保你的计算机上安装了Python

你可能希望使用venv标准的Python库来创建虚拟环境,并从本地项目目录安装和提供Python、pip和所有相关软件包,以避免与系统范围的包及其版本发生冲突。

安装依赖项

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

在本地启动Jupyter

项目中的所有演示都可以直接在浏览器中运行,而无需在本地安装Jupyter。 但是如果你想在本地启动Jupyter Notebook,你可以从项目的根文件夹运行以下命令:

jupyter notebook

然后你就可以通过 http://localhost:8888. 访问这篇Jupyter Notebook

远程启动Jupyter

每个算法部分都包含到Jupyter NBViewer的演示链接。 这是Jupyter Notebook的快速在线预览,你可以在浏览器中查看演示代码,图表和数据,而无需在本地安装任何内容。 如果你想更改代码并尝试使用演示笔记,你需要在Binder中启动笔记本。 只需单击NBViewer右上角的“在活页夹上执行”链接即可完成此操作。

数据集

可以在数据文件夹中找到用于Jupyter Notebook演示的数据集列表。

项目地址:

https://github.com/trekhleb/homemade-machine-learning

原文发布于微信公众号 - AI研习社(okweiwu)

原文发表时间:2019-01-04

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券