关于ide:15-万-Star热门机器学习算法的数学原理

【导语】：本文举荐的 GitHub 我的项目用 Python 实现风行的机器学习算法，还包含算法实现背地的解析。每个算法都有交互式 Jupyter Notebook 演示，你能够应用它来训练数据和算法配置，并实时在浏览器中查看后果、图表和预测。

简介

Homemade Machine Learning 这个我的项目的指标，并不是通过应用第三方库一行实现机器学习算法，而是从零开始实现，并且能更好地了解每个算法背地的数学原理。这就是为什么所有的算法实现都被叫做“homemade”，并且这些算法并不打算用于理论生产中。

（前哨君提醒：因为微信不反对外链，下文中的???? 数学、⚙️ 代码和 ▶️ 演示，须要在我的项目主页跳转查看。）

本我的项目地址：https://github.com/trekhleb/h…

在监督式学习中，咱们将一组训练数据作为输出，每个训练组中，一组标签或者“正确答案”作为输入。而后，咱们训练咱们的模型（机器学习算法参数）将输出映射到正确的输入中（正确的预测）。最终的指标是找到一个模型参数，这个模型参数可能做到，即便是一个新的输出例，也能放弃继续正确的输出 -> 输入映射（预测）。

在回归问题中，咱们做实值预测。最根本的，咱们尝试沿着训练给出的例子，画一个线 / 立体 / n 维立体。

应用示例：股票价格预测，销售剖析，任何数字依赖等。

在分类问题中，咱们通过某种特色过滤了输出例。

应用示例：垃圾过滤器，语言探测，寻找类似文档，手写文字辨认等。

非监督式学习是机器学习的一个分支，学习应用的测试数据没有被标记，分类或演绎。非监督式学习没有反馈，而是学习辨认数据中的共性，之后的具体反馈基于每个数据段中存在或不存在的共性。

在聚类问题中，咱们通过未知的特点过滤训练示例。算法自身决定什么样的个性用于过滤。

应用举例：市场宰割，社会网络分析，组织计算集群，地理数据处理，图像压缩等。???? K-means 算法

???? 数学 | K-means 算法 – 实践和拓展浏览的链接
⚙️ 代码 | K-means 算法 – 实现示例
▶️ 演示 | K-means 算法 - 基于花瓣长度和宽度预测鸢尾花

异样探测（也叫离群探测）是罕见物品、事件或者察看的甄别，次要通过比对与主数据的显著不同来进步狐疑个性。

应用示例：入侵检测，欺诈检测，零碎衰弱监控，还有从数据集中删除异常数据等。

???? 应用高斯分布进行异样探测
???? 数学 | 应用高斯分布进行异样探测 – 实践和拓展浏览的链接
⚙️ 代码 | 应用高斯分布进行异样探测 - 实现用例
▶️ 演示 | 异样探测 – 找到服务器操作中的异样，比方潜伏期，临界值

神经网络不是一个算法，而是一个机器学习的算法框架，次要用来解决简单的数据输出。

应用示例：通常是所有其余算法的替代品，例如图像识别，声音辨认，图像处理（剖析具体特色），语言翻译等。

pip install -r requirements.txt

本我的项目应用的数据集能够在如下链接中找到：

https://github.com/trekhleb/h…

开源前哨 日常分享热门、乏味和实用的开源我的项目。参加保护 10 万 + Star 的开源技术资源库，包含：Python、Java、C/C++、Go、JS、CSS、Node.js、PHP、.NET 等。

监督式学习