GitHub 8500 星！这份原理和代码兼顾的机器学习算法资源火了

重磅干货，第一时间送达

来源 | 量子位

最近，有一份很全面的算法资源在GitHub上火了，不仅有相应的原理介绍和实现代码，还提供了Demo，目前GitHub上标星已经突破 8500 星。

这份资源中，一共有5个算法，分别是：

线性回归

逻辑回归

K 均值算法

异常检测

神经网络

每一个算法，都会有数学原理解释、Python 实现的示例和交互式的 Jupyter Notebook Demo。大多数情况下，这些算法的解释，都是基于吴恩达的机器学习课程。

基于这些资源，你可以进行相应的数据训练、算法配置，并立即在浏览器中查看结果、图表和预测。

整个机器学习算法地图：

资源里有什么？

5 个算法， 一共分为了监督学习、无监督学习和神经网络3个类别。每个大的类别，都有相应的介绍，并给出了相应的应用范围。然后就是相应算法的资源。

1. 线性回归

2. 逻辑回归

3. K 均值算法

4. 异常检测算法

5. 神经网络：多层感知机（MLP）

每个算法都包含了三类资源：

第一个资源是文档，介绍算法原理与实现逻辑，并提供了相应的参考资料，可以进一步学习。

第二个资源是代码，呈现了如何用 Python 实现算法。基本上每一块代码前，都有相应的注释，标明了代码的功能和注意事项。

第三个资源是基于 Jupyter Notebook 的 Demo，用算法和数据集训练模型，来进一步的熟悉算法的运用。

需要什么先决条件?

资源的上手门槛不高，最基本的要求就是安装 Python。因为项目中的所有 Demo 都可以在浏览器中运行，所以不需要在本地安装 Jupyter。

所有用于Jupyter Notebook的数据集都可以在data文件夹中找到。

谁干的好事？

制作这份资源的，是一位名叫 Oleksii Trekhleb 的乌克兰工程师，目前正在一家软件技术咨询公司 EPAM Systems 担任首席软件工程师。

他说，建立这个存储库的目的，不是通过使用第三方库的“一行程序”来实现机器学习算法，而是从头开始实践这些算法，从而让大家能够更好地理解每个算法背后的原理。

传送门

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