Recientemente comencé a aprender el aprendizaje automático. Comenzó con un hermoso, en mi opinión, curso de Andrew Ng. Y para no olvidar, además de repetir lo que aprendió, decidió crear un repositorio de Machine Learning en Octave . En él, reuní fórmulas matemáticas para hipótesis, descensos de gradiente, "funciones de costos", sigmoides y otras "piezas" que son fundamentales para el aprendizaje automático. También agregué ejemplos simplificados y mejorados de la implementación de algunos algoritmos populares (red neuronal, regresión lineal / logística, etc.) para MatLab / Octave. Espero que esta información sea útil para aquellos de ustedes que planean comenzar a aprender el aprendizaje automático.
El tema del aprendizaje automático es bastante extenso, lo que se puede juzgar, por ejemplo, a partir del siguiente esquema, que tomé (traduje) de un gran artículo de vas3k.
Por el momento, de toda esta diversidad en el repositorio, hay ejemplos de cinco algoritmos supervisados y no supervisados:
Para cada algoritmo hay un archivo demo.m , desde el cual puede comenzar el análisis de un solo algoritmo. Cuando ejecute este archivo desde la consola de Octave (o desde MatLab), se mostrará información de servicio que ilustra el funcionamiento del algoritmo, y se construirán gráficos para ayudarlo a determinar qué conjunto de capacitación está llevando a cabo el trabajo.
Espero que este repositorio sea útil para usted y lo ayude a dar el siguiente paso hacia el aprendizaje automático.
Los ejemplos de PS en el repositorio se crean para MatLab / Octave . Puede que esta no sea una opción tan popular ahora como Python, pero sin embargo, para el entrenamiento, la creación rápida de prototipos y la misma multiplicación de matrices sin complementos y bibliotecas adicionales, puede ser una buena idea. ¡Una vez más una codificación exitosa para ti!