Saya baru-baru ini mulai belajar mesin pembelajaran. Dia mulai dengan kursus yang indah, menurut saya, dari Andrew Ng. Dan agar tidak lupa, serta mengulangi apa yang dia pelajari, dia memutuskan untuk membuat repositori Machine Learning in Octave . Di dalamnya, saya mengumpulkan rumus matematika untuk hipotesis, keturunan gradien, "fungsi biaya", sigmoids, dan "potongan" lainnya yang mendasar untuk pembelajaran mesin. Saya juga menambahkan contoh-contoh yang disederhanakan dan ditingkatkan dari implementasi beberapa algoritma populer (jaringan saraf, regresi linier / logistik, dll.) Untuk MatLab / Octave. Saya harap informasi ini akan bermanfaat bagi Anda yang berencana untuk mulai belajar pembelajaran mesin.
Topik pembelajaran mesin cukup luas, yang dapat dinilai, misalnya, dari skema berikut, yang saya ambil (diterjemahkan) dari artikel hebat oleh vas3k.
Saat ini, dari semua keragaman ini di repositori, ada contoh lima algoritma yang diawasi dan tidak diawasi:
Untuk setiap algoritma ada file demo.m , dari mana Anda dapat memulai analisis algoritma tunggal. Ketika Anda menjalankan file ini dari konsol Oktaf (atau dari MatLab), informasi layanan akan ditampilkan menggambarkan operasi algoritma, serta grafik akan dibangun untuk membantu Anda mengetahui pelatihan yang mengatur pekerjaan yang sedang berlangsung.
Saya harap repositori ini bermanfaat bagi Anda dan akan membantu Anda mengambil langkah selanjutnya menuju pembelajaran mesin.
Contoh-contoh PS dalam repositori dibuat untuk MatLab / Oktaf . Ini mungkin bukan opsi yang populer sekarang sebagai Python, namun demikian, untuk pelatihan, pembuatan prototipe cepat dan penggandaan matriks yang sama tanpa plug-in dan pustaka tambahan mungkin merupakan ide yang bagus. Sekali lagi penyandian berhasil untuk Anda!