Recentemente, comecei a aprender aprendizado de máquina. Ele começou com um curso bonito, na minha opinião, de Andrew Ng. E para não esquecer, além de repetir o que aprendeu, ele decidiu criar um repositório de Machine Learning no Octave . Nele, coletei fórmulas matemáticas para hipóteses, descidas gradientes, "funções de custo", sigmóides e outras "peças" que são fundamentais para o aprendizado de máquina. Também adicionei exemplos simplificados e aprimorados da implementação de alguns algoritmos populares (rede neural, regressão linear / logística etc.) para o MatLab / Octave. Espero que essas informações sejam úteis para aqueles que planejam começar a aprender o aprendizado de máquina.
O tópico do aprendizado de máquina é bastante extenso, o que pode ser julgado, por exemplo, pelo esquema a seguir, que tirei (traduzido) de um ótimo artigo de vas3k.
No momento, de toda essa diversidade no repositório, há exemplos de cinco algoritmos supervisionados e não supervisionados:
Para cada algoritmo, há um arquivo demo.m , no qual você pode iniciar a análise de um único algoritmo. Quando você executa esse arquivo no console do Octave (ou no MatLab), serão exibidas informações de serviço que ilustram a operação do algoritmo, além de gráficos para ajudar a descobrir qual conjunto de treinamento está sendo realizado.
Espero que este repositório seja útil para você e o ajude a dar o próximo passo em direção ao aprendizado de máquina.
PS Exemplos no repositório são criados para o MatLab / Octave . Essa pode não ser uma opção tão popular agora, como Python, mas ainda para treinamento, prototipagem rápida e a mesma multiplicação de matrizes sem plug-ins e bibliotecas adicionais podem ser uma boa opção. Mais uma vez, uma codificação bem-sucedida para você!