J'ai récemment commencé à apprendre le machine learning. Il a commencé avec un beau cours, à mon avis, d'Andrew Ng. Et pour ne pas oublier, tout en répétant ce qu'il a appris, il a décidé de créer un référentiel Machine Learning dans Octave . Dans ce document, j'ai rassemblé des formules mathématiques pour les hypothèses, les descentes de gradient, les "fonctions de coût", les sigmoïdes et d'autres "pièces" fondamentales pour l'apprentissage automatique. J'ai également ajouté des exemples simplifiés et améliorés de la mise en œuvre de certains algorithmes populaires (réseau de neurones, régression linéaire / logistique, etc.) pour MatLab / Octave. J'espère que ces informations seront utiles à ceux d'entre vous qui envisagent de commencer à apprendre le machine learning.
Le sujet de l'apprentissage automatique est assez vaste, ce qui peut être jugé, par exemple, à partir du schéma suivant, que j'ai pris (traduit) d'un excellent article de vas3k.
À l'heure actuelle, de toute cette diversité dans le référentiel, il existe des exemples de cinq algorithmes supervisés et non supervisés:
Pour chaque algorithme, il existe un fichier demo.m , à partir duquel vous pouvez démarrer l'analyse d'un seul algorithme. Lorsque vous exécutez ce fichier à partir de la console Octave (ou de MatLab), des informations de service seront affichées qui illustrent le fonctionnement de l'algorithme, ainsi que des graphiques seront créés pour vous aider à déterminer quel ensemble de formation le travail se déroule.
J'espère que ce référentiel vous sera utile et vous aidera à franchir la prochaine étape vers l'apprentissage automatique.
Des exemples PS dans le référentiel sont créés pour MatLab / Octave . Ce n'est peut-être pas une option si populaire maintenant, comme Python, mais toujours pour la formation, le prototypage rapide et la même multiplication de matrices sans plug-ins et bibliothèques supplémentaires peuvent être un bon choix. Encore une fois un codage réussi pour vous!