GitHub上已超過2900星！這份有原理、有代碼、有Demo的演算法資源火了

乾明 發自 凹非寺

量子位 報道 | 公眾號 QbitAI

最近，有一份很全面的演算法資源在GitHub上火了，不僅有相應的原理介紹和實現代碼，還提供了Demo，目前GitHub上標星已經突破2900星。

這份資源中，一共有5個演算法，分別是：線性回歸、邏輯回歸、K均值演算法、基於高斯分布的異常檢測、多層感知器（MLP）。

每一個演算法，都會有數學原理解釋、Python實現的示例和互動式的Jupyter Notebook Demo。大多數情況下，這些演算法的解釋，都是基於吳恩達的機器學習課程。

基於這些資源，你可以進行相應的數據訓練、演算法配置，並立即在瀏覽器中查看結果、圖表和預測。

資源里都有什麼？

5個演算法， 一共分為了監督學習、無監督學習和神經網路3個類別。每個大的類別，都有相應的介紹，並給出了相應的應用範圍。然後就是相應演算法的資源。

以神經網路為例，這個類別之下的演算法是多層感知器，一共有4個資源。

第一個資源是文檔，介紹了神經網路和多層感知器背後的原理與實現邏輯，並提供了相應的參考資料，可以進一步學習。

第二個資源是代碼，呈現了如何用Python實現多層感知器。基本上每一塊代碼前，都有相應的注釋，標明了代碼的功能和注意事項。

後兩個資源是基於Jupyter Notebook的Demo，用演算法和數據集訓練模型，來進一步的熟悉多層感知器演算法的運用。

一個使用MNIST數據集訓練一個識別手寫數字（0-9）的分類器。另一個使用是Fashion-MNIST數據集，訓練一個衣服分類器。

需要什麼先決條件?

資源的上手門檻不高，最基本的要求就是安裝Python。因為項目中的所有Demo都可以在瀏覽器中運行，所以不需要在本地安裝Jupyter。

所有用於Jupyter Notebook的數據集都可以在data文件夾中找到。

誰幹的好事？

製作這份資源的，是一位名叫Oleksii Trekhleb的烏克蘭工程師，目前正在一家軟體技術諮詢公司EPAM Systems擔任首席軟體工程師。

他說，建立這個存儲庫的目的，不是通過使用第三方庫的「一行程序」來實現機器學習演算法，而是從頭開始實踐這些演算法，從而讓大家能夠更好地理解每個演算法背後的原理。

傳送門

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

—完—

加入社群

量子位AI社群開始招募啦，歡迎對AI感興趣的同學，在量子位公眾號（QbitAI）對話界面回復關鍵字「交流群」，獲取入群方式；

此外，量子位專業細分群(自動駕駛、CV、NLP、機器學習等)正在招募，面向正在從事相關領域的工程師及研究人員。

進專業群請在量子位公眾號（QbitAI）對話界面回復關鍵字「專業群」，獲取入群方式。（專業群審核較嚴，敬請諒解）

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

喜歡就點「好看」吧 !

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！