Maschinelles Lernen in MatLab / Octave: Beispiele für Algorithmen, die von Formeln unterstützt werden

Ich habe vor kurzem angefangen, maschinelles Lernen zu lernen. Er begann mit einem meiner Meinung nach schönen Kurs von Andrew Ng. Und um nicht zu vergessen und zu wiederholen, was er gelernt hat, hat er beschlossen, ein Repository für maschinelles Lernen in Octave zu erstellen. Darin sammelte ich mathematische Formeln für Hypothesen, Gradientenabfahrten, "Kostenfunktionen", Sigmoide und andere "Teile", die für das maschinelle Lernen von grundlegender Bedeutung sind. Ich habe auch vereinfachte und verbesserte Beispiele für die Implementierung einiger gängiger Algorithmen (neuronales Netzwerk, lineare / logistische Regression usw.) für MatLab / Octave hinzugefügt. Ich hoffe, diese Informationen sind nützlich für diejenigen unter Ihnen, die maschinelles Lernen lernen möchten.

Das Thema maschinelles Lernen ist ziemlich umfangreich, was zum Beispiel anhand des folgenden Schemas beurteilt werden kann, das ich aus einem ausgezeichneten Artikel von vas3k übernommen (übersetzt) ​​habe.

Von all dieser Vielfalt im Repository gibt es derzeit Beispiele für fünf überwachte und unbeaufsichtigte Algorithmen:

• Lineare Regression mit einem Beispiel für die Vorhersage des Wertes eines Hauses.
• Logistische Regression mit Beispielen zur Bestimmung fehlerhafter Chips sowie zur Handschrifterkennung nach dem Prinzip "Eins gegen alle".
• K-Mittelwert-Algorithmus mit einem Beispiel für die Datenverteilung in drei Cluster.
• Suchen Sie anhand einer Gaußschen Verteilung nach Anomalien anhand eines Beispiels zur Ermittlung eines überlasteten Servers.
• Ein neuronales Netzwerk basierend auf einem mehrschichtigen Perzeptron mit einem Beispiel für die handschriftliche Ziffernerkennung.

Für jeden Algorithmus gibt es eine demo.m Datei, aus der Sie die Analyse eines einzelnen Algorithmus starten können. Wenn Sie diese Datei über die Octave-Konsole (oder über MatLab) ausführen, werden Serviceinformationen angezeigt, die die Funktionsweise des Algorithmus veranschaulichen, und es werden Diagramme erstellt, mit denen Sie herausfinden können, in welchem ​​Trainingssatz die Arbeit ausgeführt wird.

Ich hoffe, dieses Repository wird für Sie nützlich sein und Ihnen helfen, den nächsten Schritt in Richtung maschinelles Lernen zu machen.

PS Beispiele im Repository werden für MatLab / Octave erstellt . Dies ist derzeit möglicherweise keine so beliebte Option wie Python, aber dennoch können Training, Rapid Prototyping und die gleiche Multiplikation von Matrizen ohne zusätzliche Plug-Ins und Bibliotheken gut passen. Wieder einmal erfolgreiches Codieren für Sie!