最近，有一份很片面的算法资源在GitHub上火了，不只要相应的原理引见和实现代码，还提供了Demo，目前GitHub上标星曾经打破2900星。

 

这份资源中，一共有5个算法，辨别是：线性回归、逻辑回归、K均值算法、基于高斯散布的异常检测、多层感知器（MLP）。

每一个算法，都会有数学原了解释、Python完成的示例和交互式的Jupyter Notebook Demo。大少数状况下，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，你可以停止相应的数据训练、算法配置，并立刻在阅读器中查看结果、图表和预测。

资源里都有什么？

5个算法， 一共分为了监视学习、无监视学习和神经网络3个类别。每个大的类别，都有相应的引见，并给出了相应的运用范围。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，引见了神经网络和多层感知器背后的原理与完成逻辑，并提供了相应的参考材料，可以进一步学习。

第二个资源是代码，出现了如何用Python完成多层感知器。基本上每一块代码前，都有相应的注释，标明了代码的功用和留意事项。

后两个资源是基于Jupyter Notebook的Demo，用算法和数据集训练模型，来进一步的熟习多层感知器算法的运用。

一个运用MNIST数据集训练一个辨认手写数字（0-9）的分类器。另一个运用是Fashion-MNIST数据集，训练一个衣服分类器。

需求什么先决条件?

资源的上手门槛不高，最基本的要求就是安装Python。由于项目中的一切Demo都可以在阅读器中运转，所以不需求在本地安装Jupyter。

一切用于Jupyter Notebook的数据集都可以在data文件夹中找到。

谁干的坏事？

制造这份资源的，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，树立这个存储库的目的，不是经过运用第三方库的“一行顺序”来完成机器学习算法，而是从头末尾实际这些算法，从而让大家可以更好地了解每个算法背后的原理。

传送门

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

【编辑引荐】

@顺序员，写代码真的比女冤家重要吗？

Linux Kernel 去年净增 87 万行代码

(责任编辑：admin)