|
|
51CTO旗下网站
|
|
移动端

这份有原理、有代码、有Demo的算法资源火了!GitHub上超过2900星

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2900星。

作者:量子位来源:头条科技|2019-01-04 13:25

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2900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、基于高斯分布的异常检测、多层感知器(MLP)。

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。

资源里都有什么?

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。

以神经网络为例,这个类别之下的算法是多层感知器,一共有4个资源。

第一个资源是文档,介绍了神经网络和多层感知器背后的原理与实现逻辑,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实现多层感知器。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。

后两个资源是基于Jupyter Notebook的Demo,用算法和数据集训练模型,来进一步的熟悉多层感知器算法的运用。

一个使用MNIST数据集训练一个识别手写数字(0-9)的分类器。另一个使用是Fashion-MNIST数据集,训练一个衣服分类器。

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

【编辑推荐】

  1. @程序员,写代码真的比女朋友重要吗?
  2. Linux Kernel 去年净增 87 万行代码
  3. 开源图像编辑器 GIMP 开发者透露 2019 年计划
  4. 悼念杰出Linux内核开发者李少华
  5. 2019年值得你使用的20大开发工具
【责任编辑:张燕妮 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

读 书 +更多

C# 2005 & .NET 3.0高级编程(第5版)

该书为C#经典名著!是Wrox红皮书中最畅销的品种之一。从第1版开始就名满天下;其第3版被评选为2005年最权威的十大IT图书之一;并荣获“2005...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊