該專案用pytorch實現了從最基本的機器學習演算法：迴歸、聚類，到深度學習、強化學習等。該專案的目的不是生成儘可能優化和計算效率的演算法，而是以透明和可訪問的方式呈現它們的內部工作方式，可以幫助機器學習學習者更好地理解實現原理。

作者｜eriklindernoren

編譯｜專知

整理｜Yingying,李大囧

下載方式

關注公眾號，後臺回覆關鍵詞

20180908

多項式迴歸

多項式迴歸的訓練過程

使用CNN做影象分類

使用DBSCAN做聚類

用強化學習玩平衡遊戲

用深度玻爾茲曼機做影象重建

實現演算法列表

監督學習

• Adaboost

• Bayesian Regression

• Decision Tree

• Elastic Net

• Gradient Boosting

• K Nearest Neighbors

• Lasso Regression

• Linear Discriminant Analysis

• Linear Regression

• Logistic Regression

• Multi-class Linear Discriminant Analysis

• Multilayer Perceptron

• Naive Bayes

• Neuroevolution

• Particle Swarm Optimization of Neural Network

• Perceptron

• Polynomial Regression

• Random Forest

• Ridge Regression

• Support Vector Machine

• XGBoost

無監督學習

• Apriori

• Autoencoder

• DBSCAN

• FP-Growth

• Gaussian Mixture Model

• Generative Adversarial Network

• Genetic Algorithm

• K-Means

• Partitioning Around Medoids

• Principal Component Analysis

• Restricted Boltzmann Machine

強化學習

• Deep Q-Network

深度學習

• Neural Network

• 層

          Activation Layer

          Average Pooling Layer

          Batch Normalization Layer

          Constant Padding Layer

          Convolutional Layer

          Dropout Layer

          Flatten Layer

          Fully-Connected (Dense) Layer

          Fully-Connected RNN Layer

          Max Pooling Layer

          Reshape Layer

          Up Sampling Layer

          Zero Padding Layer

模型

• Convolutional Neural Network

• Multilayer Perceptron

• Recurrent Neural Network