datasheet

QbitAI量子位

文章数:974 被阅读:9268151

账号入驻

GitHub上已超过2900星!这份有原理、有代码、有Demo的算法资源火了

2019-01-02
    阅读数:
乾明 发自 凹非寺
量子位 报道 | 公众号 QbitAI

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

加入社群

量子位AI社群开始招募啦,欢迎对AI感兴趣的同学,在量子位公众号(QbitAI)对话界面回复关键字“交流群”,获取入群方式;


此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。


进专业群请在量子位公众号(QbitAI)对话界面回复关键字“专业群”,获取入群方式。(专业群审核较严,敬请谅解)

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

喜欢就点「好看」吧 !





最新有关QbitAI的文章

About Us 关于我们 客户服务 联系方式 器件索引 网站地图 最新更新 手机版

站点相关: TI培训

北京市海淀区知春路23号集成电路设计园量子银座1305 电话:(010)82350740 邮编:100191

电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2018 EEWORLD.com.cn, Inc. All rights reserved