Что это такое?
Python-библиотека базовых моделей и алгоритмов машинного обучения, написанных с нуля на NumPy. Цель — охватить всё: от линейной регрессии до глубокого обучения.
Python-библиотека базовых моделей и алгоритмов машинного обучения, написанных с нуля на NumPy. Цель — охватить всё: от линейной регрессии до глубокого обучения.Это библиотека, которую можно использовать в реальных проектах, или материал для того, чтобы разобраться, как работают алгоритмы?Она устанавливается как обычный Python-пакет с запускаемыми примерами, но смысл — обучающий: каждая модель написана с нуля, чтобы можно было в точности прочитать, как она устроена внутри.
Она устанавливается как обычный Python-пакет с запускаемыми примерами, но смысл — обучающий: каждая модель написана с нуля, чтобы можно было в точности прочитать, как она устроена внутри.Как её установить и запустить?Склонируйте репозиторий, перейдите в него командой cd и выполните python setup.py install. После этого примеры запускаются как обычные скрипты, например python mlfromscratch/examples/dbscan.py для кластеризации по плотности.
Склонируйте репозиторий, перейдите в него командой cd и выполните python setup.py install. После этого примеры запускаются как обычные скрипты, например python mlfromscratch/examples/dbscan.py для кластеризации по плотности.Мне нужны TensorFlow или PyTorch, чтобы это запустить?Нет — всё построено на чистом NumPy, без фреймворков глубокого обучения. Единственное дополнение — OpenAI Gym, который используется в примере Deep Q-Network для среды CartPole-v1.
Нет — всё построено на чистом NumPy, без фреймворков глубокого обучения. Единственное дополнение — OpenAI Gym, который используется в примере Deep Q-Network для среды CartPole-v1.Код достаточно оптимизирован для использования в продакшене?Это не цель: в README прямо сказано, что задача — не оптимизированные и вычислительно эффективные алгоритмы, а прозрачный и доступный взгляд на их внутреннее устройство. Относитесь к этому как к учебному пособию, а не к движку для инференса.
Это не цель: в README прямо сказано, что задача — не оптимизированные и вычислительно эффективные алгоритмы, а прозрачный и доступный взгляд на их внутреннее устройство. Относитесь к этому как к учебному пособию, а не к движку для инференса.Там есть настоящее глубокое обучение или только классические модели?Есть — небольшая библиотека нейросетей со слоями Conv2D, pooling, dropout и batch normalization, а также типами моделей CNN, многослойный перцептрон и RNN. Демо-CNN достигает точности около 98,7% на датасете цифр примерно с 538 тыс. параметров.
Есть — небольшая библиотека нейросетей со слоями Conv2D, pooling, dropout и batch normalization, а также типами моделей CNN, многослойный перцептрон и RNN. Демо-CNN достигает точности около 98,7% на датасете цифр примерно с 538 тыс. параметров.Можно увидеть, как алгоритмы работают вживую?Да — каждый пример это один скрипт: convolutionalneuralnetwork.py обучает CNN на цифрах, dbscan.py кластеризует датасет moons, а другие скрипты запускают deep Q-learning на CartPole, генетический алгоритм и поиск ассоциативных правил Apriori.
Да — каждый пример это один скрипт: convolutionalneuralnetwork.py обучает CNN на цифрах, dbscan.py кластеризует датасет moons, а другие скрипты запускают deep Q-learning на CartPole, генетический алгоритм и поиск ассоциативных правил Apriori.Есть ли что-то поинтереснее классификаторов и кластеров?Да — со стороны генеративных и эволюционных моделей здесь есть GAN, синтезирующий рукописные цифры, автоэнкодер, ограниченная машина Больцмана, восстанавливающая изображения MNIST, и нейроэволюция, где сеть не обучается градиентами, а эволюционирует.
Да — со стороны генеративных и эволюционных моделей здесь есть GAN, синтезирующий рукописные цифры, автоэнкодер, ограниченная машина Больцмана, восстанавливающая изображения MNIST, и нейроэволюция, где сеть не обучается градиентами, а эволюционирует.What are similar projects?100-Days-Of-ML-Code, ailearning, TensorFlow-Examples, MLAlgorithms, stanford-cs-229-machine-learning, numpy-ml, Ai-Learn, reinforcement-learning
100-Days-Of-ML-Code, ailearning, TensorFlow-Examples, MLAlgorithms, stanford-cs-229-machine-learning, numpy-ml, Ai-Learn, reinforcement-learningWhich topics is it in?gym, svm, unsupervised-learning, data-mining, deep-reinforcement-learning, from-scratch, gan, neural-networks, numpy, algorithms, reinforcement-learning, data-science
gym, svm, unsupervised-learning, data-mining, deep-reinforcement-learning, from-scratch, gan, neural-networks, numpy, algorithms, reinforcement-learning, data-science