原理、コード、デモを備えたこのアルゴリズムリソースは人気を博しています。 GitHub で 2900 以上のスターを獲得

最近、GitHub で非常に包括的なアルゴリズムリソースが人気を集めています。対応する原理の紹介と実装コードだけでなく、デモも提供されています。現在、GitHub のスターの数は 2,900 を超えています。

このリソースには、線形回帰、ロジスティック回帰、K 平均アルゴリズム、ガウス分布に基づく異常検出、多層パーセプトロン (MLP) の合計 5 つのアルゴリズムがあります。

各アルゴリズムについては、数学的原理の説明、Python 実装の例、インタラクティブな Jupyter Notebook デモが提供されます。ほとんどの場合、これらのアルゴリズムの説明は、Andrew Ng の機械学習コースに基づいています。

これらのリソースに基づいて、対応するデータのトレーニング、アルゴリズムの構成を実行し、結果、グラフ、予測をブラウザですぐに表示できます。

リソースには何が含まれていますか?

アルゴリズムは 5 つあり、教師あり学習、教師なし学習、ニューラルネットワークの 3 つのカテゴリに分類されます。各主要カテゴリには対応する紹介があり、対応する適用範囲が示されています。次に、対応するアルゴリズムのリソースがあります。

ニューラルネットワークを例にとると、このカテゴリのアルゴリズムは多層パーセプトロンであり、合計 4 つのリソースがあります。

最初のリソースはドキュメントです。このドキュメントでは、ニューラルネットワークと多層パーセプトロンの原理と実装ロジックを紹介し、さらに学習するための参考資料を提供しています。

2 番目のリソースは、Python で多層パーセプトロンを実装する方法を示すコードです。基本的に、各コードブロックの前には対応するコメントがあり、コードの機能と注意事項が示されています。

最後の 2 つのリソースは、アルゴリズムとデータセットを使用してモデルをトレーニングし、多層パーセプトロンアルゴリズムの使用をさらに理解するための Jupyter Notebook ベースのデモです。

分類器は、MNIST データセットを使用して手書きの数字 (0 ～ 9) を認識するようにトレーニングされます。もう 1 つの用途は、衣服分類器をトレーニングする Fashion-MNIST データセットです。

リソースを使い始めるためのハードルは高くなく、最も基本的な要件は Python をインストールすることです。プロジェクト内のすべてのデモはブラウザで実行できるため、Jupyter をローカルにインストールする必要はありません。

Jupyter Notebook で使用されるすべてのデータセットは、データフォルダーにあります。

このリソースの著者は、Oleksii Trekhleb というウクライナ人のエンジニアで、現在はソフトウェア技術コンサルティング会社である EPAM Systems でシニアソフトウェアエンジニアとして働いています。

[[254713]]

同氏は、このリポジトリを設立した目的は、サードパーティのライブラリを使用して「ワンライナー」を通じて機械学習アルゴリズムを実装することではなく、これらのアルゴリズムをゼロから実践して、誰もが各アルゴリズムの背後にある原理をよりよく理解できるようにすることだと述べた。

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