11.2K ·GitHub
Что это такое?
Набор минималистичных и понятных реализаций основных алгоритмов машинного обучения на Python, созданный для того, чтобы можно было изучить, как эти алгоритмы работают внутри.
Набор минималистичных и понятных реализаций основных алгоритмов машинного обучения на Python, созданный для того, чтобы можно было изучить, как эти алгоритмы работают внутри.Это фреймворк, на котором строят приложения, или просто справочный код?Это библиотека справочного кода, а не промышленный фреймворк: каждый алгоритм написан с нуля ради читаемости, а не производительности, чтобы можно было проследить логику, не разбираясь во внутреннем устройстве оптимизированных библиотек.
Это библиотека справочного кода, а не промышленный фреймворк: каждый алгоритм написан с нуля ради читаемости, а не производительности, чтобы можно было проследить логику, не разбираясь во внутреннем устройстве оптимизированных библиотек.Как запустить примеры?Примеры можно запустить напрямую, без установки пакета, или внутри контейнера Docker.
Примеры можно запустить напрямую, без установки пакета, или внутри контейнера Docker.Что нужно для запуска?Только Python с numpy, scipy и autograd для реализаций.
Только Python с numpy, scipy и autograd для реализаций.Можно ли использовать эти реализации в реальном продакшен-проекте?Нет. Этот проект явно предназначен для изучения внутреннего устройства алгоритмов или их реализации с нуля, а не для производительности и надёжности production-уровня.
Нет. Этот проект явно предназначен для изучения внутреннего устройства алгоритмов или их реализации с нуля, а не для производительности и надёжности production-уровня.Какие алгоритмы включены?Модели глубокого обучения (MLP, CNN, RNN, LSTM), линейная и логистическая регрессия, случайные леса, SVM с линейным, полиномиальным и RBF-ядрами, k-means, модель гауссовых смесей (Gaussian Mixture Model), метод k-ближайших соседей, наивный байесовский классификатор, PCA, машины факторизации, RBM, t-SNE, градиентный бустинг над деревьями и глубокое Q-обучение для обучения с подкреплением.
Модели глубокого обучения (MLP, CNN, RNN, LSTM), линейная и логистическая регрессия, случайные леса, SVM с линейным, полиномиальным и RBF-ядрами, k-means, модель гауссовых смесей (Gaussian Mixture Model), метод k-ближайших соседей, наивный байесовский классификатор, PCA, машины факторизации, RBM, t-SNE, градиентный бустинг над деревьями и глубокое Q-обучение для обучения с подкреплением.Почему бы не использовать scikit-learn или фреймворк глубокого обучения?Эти библиотеки оптимизированы по скорости и прячут математику за скомпилированным кодом, а этот проект жертвует производительностью ради ясности, чтобы каждый алгоритм можно было прочитать, изменить и по-настоящему понять.
Эти библиотеки оптимизированы по скорости и прячут математику за скомпилированным кодом, а этот проект жертвует производительностью ради ясности, чтобы каждый алгоритм можно было прочитать, изменить и по-настоящему понять.What are similar projects?numpy-ml, 100-Days-Of-ML-Code, homemade-machine-learning, ailearning, python-machine-learning-book, 100-Days-Of-ML-Code, ML-From-Scratch, autumn-recruitment
numpy-ml, 100-Days-Of-ML-Code, homemade-machine-learning, ailearning, python-machine-learning-book, 100-Days-Of-ML-Code, ML-From-Scratch, autumn-recruitmentWhich topics is it in?gradient-boosting, clustering, machine-learning-algorithms, neural-networks, numpy, algorithms, reinforcement-learning, computer-science, neural-network, data-science, learning, tutorial
gradient-boosting, clustering, machine-learning-algorithms, neural-networks, numpy, algorithms, reinforcement-learning, computer-science, neural-network, data-science, learning, tutorial