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

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

— 完 —

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 !