自制机器学习

homemade-machine-learning

本项目包含了用 Python 实现流行的机器学习算法例子和他们背后的数学原理说明。每个例子包含交互的 Jupyter Notebook demo，你可以操作训练数据，算法配置，并且可以在你的播放器内立即看到结果、图表和预测值。本项目的大部分例子都基于吴恩达的《机器学习课程》。

本项目的目的不在于使用第三方库仅用几行完成机器学习算法，而是从零开始，使用算法背后的数学进行编写。这也是为什么所有算法实现都被称为“自制”，而不是为了产品应用。

有监督学习 Supervised Learning

在有监督学习中，我们有一个训练数据集合作为输入，每个训练集合有一个标签或“真值”集合作为输出。然后，我们训练模型（机器学习算法参数）正确地映射（正确预测）输入和输出。最终目的是找到一组模型参数，可以成功的把新数据的输入映射（预测）到输出。

回归 Regression

我们在回归问题中进行真实值预测。一般我们试图在训练数据中绘制线/平面/n维平面。

用途举例：股价预测，销售分析，任意数字的依赖度等。

🤖 线性回归 Linear Regression

分类器 Classification

🤖 逻辑回归 Logistic Regression

无监督学习 Unsupervised Learning

聚类 Clustering

🤖 k-均值算法 K-means Algorithm

异常检测 Anomaly Detection

异常检测（也叫outliner deteciton）是识别出来与大多数数据有显著不同的样本，事件或观察样例。

用途举例：入侵检测，欺诈检测，系统良性检测，从数据集中取出异常数据等。

🤖 应用高斯分布的异常检测 Anomaly Detection using Gaussian Distribution

*[数学 | 应用高斯分布的异常检测]-理论和扩展阅读链接

*[代码 | 应用高斯分布的异常检测]-代码实例

*[演示 | 异常检测]-查找服务器操作参数（如延迟latency和阈值threshold）中的异常

神经网络 Neural Network (NN)

神经网络本身不是一个算法，而是一个框架，很多不同机器学习算法一起工作，处理复杂的输入。

用途举例：所有其他算法的替代算法，图像识别，语音识别，图像处理（应用特殊样式），语言翻译等。

🤖 多层感知 Multilayer Perceptron (MLP)

• [数学 | 多层感知器] - 理论和扩展阅读链接

机器学习路线图

前提

安装 Python

安装依赖库

启动本地 Jupyter

启动远程 Jupyter

数据

贡献列表

章节	译者
Linear Regression
Logistic Regression
Anomaly Detection
Anomaly Detection
Multilayer Perceptron