用Python 實現的基礎機器學習演算法

本庫包含了用 Python （3.6 版本及以上）實現的基本的機器學習演算法，所有的演算法都是從頭開始寫並且沒有用到其他的機器學習庫。該庫旨在讓開發者對這些基本的機器學習演算法有簡單的了解，而不是用有效的方式去實現它們。

Github 地址:

https://github.com/zotroneneis/machine_learning_basics

線性回歸

在線性回歸中，我們會模擬標量因變數 y 和一個及多個獨立變數 x 之間的關係。

鏈接：

https://github.com/zotroneneis/machine_learning_basics/blob/master/linear_regression.ipynb

邏輯回歸

在邏輯回歸中，我們試圖對給定輸入要素線性組合的二元變數的結果進行建模。比如我們可以通過候選人在競選中投入的財力和時間的多少來預測獲選的機率。

鏈接：

https://github.com/zotroneneis/machine_learning_basics/blob/master/logistic_regression.ipynb

感知器

感知器演算法是一種簡單的監督學習演算法，也是最早的神經網路結構之一，它由 Rosenblatt 在 20 世紀 50 年代末引入。感知器表示二元線性分類器，其使用 d-1 維超平面將一組訓練實例（ d 維輸入向量）映射到二進位輸出值。

鏈接：

https://github.com/zotroneneis/machine_learning_basics/blob/master/perceptron.ipynb

K-近鄰

KNN 演算法是一種簡單的監督學習演算法，可以用於分類和回歸問題。它是一種基於實例的演算法，所以它將所有訓練好的樣例儲存在內存里並用相似性度量進行預測，而不是評估模型。

鏈接：

https://github.com/zotroneneis/machine_learning_basics/blob/master/k_nearest_neighbour.ipynb

k-Means 聚類

k-Means 是一種簡單的聚類演算法。給定固定數量的聚類和輸入數據集，該演算法會將數據劃分為聚類，使得聚類具有較高的類內相似性和較低的類間相似性。

鏈接：

https://github.com/zotroneneis/machine_learning_basics/blob/master/kmeans.ipynb

帶有一個隱層的簡單神經網路

該庫實現了一個簡單的神經網路架構，可以將 2 維度的輸入向量映射到二進位輸出值。

鏈接：

https://github.com/zotroneneis/machine_learning_basics/blob/master/simple_neural_net.ipynb

多項邏輯回歸

Softmax 回歸，也稱為多項邏輯回歸，將邏輯回歸擴展到多個類別。

鏈接：

https://github.com/zotroneneis/machine_learning_basics/blob/master/softmax_regression.ipynb

限時拼團

3大模塊，30個課時

高校數學系教授帶班

100%學員好評

與100+同學一起夯實數學基礎，走穩機器學習入門第一步！

新人福利

關注 AI 研習社（okweiwu），回復1領取

【超過 1000G 神經網路 / AI / 大數據，教程，論文】

TensorFlow實現神經網路入門篇

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！