文件名称：ML-DL-implementation:仅使用NumPy和Matplotlib在python中从头开始实现ML和DL算法
文件大小：11.04MB
文件格式：ZIP
更新时间：2024-04-10 21:07:05
python machine-learning deep-learning numpy matplotlib
ML-DL实现 使用numpy和matplotlib的python中的机器学习和深度学习库。 为什么要使用这个存储库？ 该存储库为AI和ML领域的初学者和新来者提供了一个机会，使他们可以通过简单地仅使用numpy作为线性后端来分析纯python中的ML和DL算法的实现，从而了解流行的学习算法的内部工作原理。为了效率而进行的代数计算。 该存储库的目标不是创建最有效的实现，而是创建最透明的实现，以便对本领域知识很少的任何人都可以做出贡献和学习。 安装 您可以通过运行以下命令来安装该库， python3 setup . py install 出于开发目的，您可以使用如下所示的develop选项。 python3 setup . py develop 测验 要在本地测试您的补丁，请执行以下步骤， 安装 。如果您已经有了包装，请跳过此步骤。 运行python3 -m pytest --docte
【文件预览】：
ML-DL-implementation-master
----setup.py(961B)
----PULL_REQUEST_TEMPLATE.md(528B)
----.gitignore(2KB)
----requirements.txt(62B)
----.travis.yml(337B)
----CODE_OF_CONDUCT.md(3KB)
----LICENSE(1KB)
----MLlib()
--------loss_func.py(7KB)
--------tensor.py(16KB)
--------activations.py(10KB)
--------autograd.py(7KB)
--------__init__.py(155B)
--------optimizers.py(15KB)
--------regularizer.py(4KB)
--------functional.py(16KB)
--------models.py(52KB)
--------optim()
--------utils()
--------metrics.py(2KB)
--------nn()
--------tests()
----.github()
--------ISSUE_TEMPLATE()
----README.md(7KB)
----Examples()
--------metrics_working.py(291B)
--------gaussian_naive_bayes_example.py(658B)
--------linear_example.py(507B)
--------datasets()
--------logistic_example.py(589B)
--------bayes_optimization_example.py(1KB)
--------agglomerative_clustering_example.py(197B)
--------divisive_clustering_example.py(2KB)
--------pca_example.py(182B)
--------knn_example.py(248B)
--------bernoulli_naive_bayes_example.py(515B)
--------regularizer_example.py(598B)
--------SequentialNN_example.py(1KB)
--------multinomial_naive_bayes_example.py(495B)
--------Polynomial_example.py(611B)
--------RandomForest_example.py(240B)
--------k_means_clustering_example.py(160B)
--------autograd_example.py(2KB)
--------DecisionTree_example.py(221B)
--------numerical_outliers_example.py(182B)
--------naive_bayes_example.py(484B)
----.gitpod.yml(51B)