rushter--mlalgorithms
wehub-resource-sync
56 行
2.2 KiB
Markdown
56 行
2.2 KiB
Markdown
<!-- WEHUB_ZH_README -->
|
||
> [!NOTE]
|
||
> 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
|
||
> [English](./README.en.md) · [原始项目](https://github.com/rushter/MLAlgorithms) · [上游 README](https://github.com/rushter/MLAlgorithms/blob/HEAD/README.md)
|
||
> 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。
|
||
|
||
# 机器学习算法
|
||
一组简洁、清晰的机器学习算法实现。
|
||
|
||
### 为什么？
|
||
本项目面向希望学习机器学习（ML）算法内部原理或从零实现这些算法的人。
|
||
相比优化过的库，这里的代码更易读懂，也更便于动手试验。
|
||
所有算法均使用 Python 实现，依赖 numpy、scipy 和 autograd。
|
||
|
||
### 已实现：
|
||
* [深度学习（MLP、CNN、RNN、LSTM）](mla/neuralnet)
|
||
* [线性回归、逻辑回归](mla/linear_models.py)
|
||
* [随机森林（Random Forests）](mla/ensemble/random_forest.py)
|
||
* [支持向量机（SVM）及核函数（Linear、Poly、RBF）](mla/svm)
|
||
* [K-Means](mla/kmeans.py)
|
||
* [高斯混合模型（Gaussian Mixture Model）](mla/gaussian_mixture.py)
|
||
* [K 近邻（K-nearest neighbors）](mla/knn.py)
|
||
* [朴素贝叶斯（Naive Bayes）](mla/naive_bayes.py)
|
||
* [主成分分析（PCA）](mla/pca.py)
|
||
* [因子分解机（Factorization machines）](mla/fm.py)
|
||
* [受限玻尔兹曼机（RBM）](mla/rbm.py)
|
||
* [t 分布随机邻域嵌入（t-SNE）](mla/tsne.py)
|
||
* [梯度提升树（亦称 GBDT、GBRT、GBM、XGBoost）](mla/ensemble/gbm.py)
|
||
* [强化学习（Deep Q learning）](mla/rl)
|
||
|
||
|
||
### 安装
|
||
```sh
|
||
git clone https://github.com/rushter/MLAlgorithms
|
||
cd MLAlgorithms
|
||
pip install scipy numpy
|
||
python setup.py develop
|
||
```
|
||
### 如何在不安装的情况下运行示例
|
||
```sh
|
||
cd MLAlgorithms
|
||
python -m examples.linear_models
|
||
```
|
||
### 如何在 Docker 中运行示例
|
||
```sh
|
||
cd MLAlgorithms
|
||
docker build -t mlalgorithms .
|
||
docker run --rm -it mlalgorithms bash
|
||
python -m examples.linear_models
|
||
```
|
||
### 贡献
|
||
|
||
欢迎贡献！
|
||
欢迎改进现有代码与文档，或实现新算法。
|
||
若改动较大，请先开 issue 说明你的方案。
|