标签归档：algorithms

github

Numerical-linear-algebra-Jupyter笔记本免费在线教材Fast.ai计算线性代数课程

编码器的计算线性代数

本课程重点讨论以下问题：我们如何以可接受的速度和可接受的精度进行矩阵计算？

这门课是在University of San Francisco’s Masters of Science in Analytics计划，2017年夏季(面向正在学习成为数据科学家的研究生)。本课程使用Python和Jupyter笔记本讲授，在大多数课程中使用的库包括Scikit-Learning和Numpy，还有几节课使用Numba(将Python编译为C以提高性能的库)和PyTorch(用于GPU的Numpy的替代库

随附笔记本的还有一个playlist of lecture videos, available on YouTube如果你曾经被一堂课弄糊涂了，或者它讲得太快，请看下一段视频的开头，我在视频的开头复习了上一节课的概念，经常从新的角度或用不同的插图来解释，并回答问题。

获取帮助

您可以通过以下方式提问或分享您的想法和资源Computational Linear Algebra category on our fast.ai discussion forums

目录

下面的清单链接到此存储库中的笔记本，通过nbviewer服务。涵盖的主题：

0. Course Logistics(Video 1)

1. Why are we here?(Video 1)

我们首先对数值线性代数中的一些基本概念做一个高层次的概述

2. Topic Modeling with NMF and SVD(Video 2和Video 3)

我们将使用新闻组数据集来尝试识别不同帖子的主题。我们使用术语-文档矩阵来表示文档中词汇的频率。我们使用NMF进行因子分解，然后使用奇异值分解(SVD

3. Background Removal with Robust PCA(Video 3，Video 4，以及Video 5)

奇异值分解的另一个应用是识别人物并去除监控视频的背景。我们将介绍使用随机奇异值分解的鲁棒PCA。随机奇异值分解使用LU因式分解

4. Compressed Sensing with Robust Regression(Video 6和Video 7)

压缩感知对于以较低的辐射进行CT扫描至关重要–可以用较少的数据重建图像。在这里，我们将学习这项技术，并将其应用于CT图像

5. Predicting Health Outcomes with Linear Regressions(Video 8)

6. How to Implement Linear Regression(Video 8)

7. PageRank with Eigen Decompositions(Video 9和Video 10)

我们已经将奇异值分解应用于主题建模、背景去除和线性回归。奇异值分解与特征分解密切相关，因此我们现在将学习如何计算大型矩阵的特征值。我们将使用DBpedia数据，这是维基百科链接的大型数据集，因为这里的主要特征向量给出了不同维基百科页面的相对重要性(这是Google的PageRank算法的基本思想)。我们将看三种不同的计算特征向量的方法，它们的复杂度越来越高(实用性也越来越强！)

8. Implementing QR Factorization(Video 10)

为什么这门课的授课顺序如此怪异？

本课程的结构包括自上而下教学方法，这与大多数数学课程的操作方式不同。通常，在自下而上方法时，您首先学习要使用的所有独立组件，然后逐渐将它们构建成更复杂的结构。这样做的问题是，学生经常失去动力，没有“大局”意识，也不知道他们需要什么

哈佛大学教授大卫·珀金斯有一本书，Making Learning Whole他用棒球作类比。我们不要求孩子们在让他们玩棒球之前记住所有的棒球规则，了解所有的技术细节。相反，他们开始只是玩一般意义上的游戏，然后随着时间的推移逐渐学习更多的规则/细节。

如果你上了Fast.ai深度学习课程，那就是我们用的。你可以听到更多关于我的教学理念in this blog post或this talk I gave at the San Francisco Machine Learning meetup

总而言之，如果你一开始什么都不懂，也不要担心！你不应该这么做的。我们将开始使用一些尚未解释的“黑盒”或矩阵分解，然后我们将在稍后对更低级别的细节进行挖洞分析

首先，把重点放在事情做什么上，而不是它们是什么

github

Machine-learning-course-使用Python语言的💬机器学习课程：

Introduction

本项目的目的是提供一门使用Python进行机器学习的全面而又简单的课程

Motivation

Machine Learning，作为一种工具Artificial Intelligence，是采用最广泛的科学领域之一。已经发表了大量关于机器学习的文献。本项目的目的是提供以下最重要的方面Machine Learning通过介绍一系列简单而全面的教程，您可以使用Python在这个项目中，我们使用了许多不同的众所周知的机器学习框架来构建我们的教程，例如Scikit-learn在本项目中，您将了解到：

  • 机器学习的定义是什么？
  • 它是什么时候开始的，趋势是什么？
  • 什么是机器学习类别和子类别？
  • 最常用的机器学习算法是什么？如何实现它们？

Machine Learning

标题 文档
机器学习导论 Overview

Machine Learning Basics

标题 代码 文档
线性回归 Python Tutorial
适配过高/适配不足 Python Tutorial
正则化 Python Tutorial
交叉验证 Python Tutorial

Supervised learning

标题 代码 文档
决策树 Python Tutorial
K-近邻 Python Tutorial
朴素贝叶斯 Python Tutorial
Logistic回归 Python Tutorial
支持向量机 Python Tutorial

Unsupervised learning

标题 代码 文档
群集 Python Tutorial
主成分分析 Python Tutorial

Deep Learning

标题 代码 文档
神经网络概述 Python Tutorial
卷积神经网络 Python Tutorial
自动编码器 Python Tutorial
递归神经网络 Python IPython

Pull Request Process

请考虑以下标准，以便更好地帮助我们：

  1. 拉取请求主要预期为链接建议
  2. 请确保您建议的资源没有过时或损坏
  3. 在执行构建和创建拉入请求时，请确保在图层结束之前移除所有安装或构建依赖项
  4. 添加带有接口更改详细信息的注释，包括新的环境变量、暴露的端口、有用的文件位置和容器参数
  5. 一旦您获得至少一个其他开发人员的签字，您就可以合并拉取请求，或者如果您没有权限这样做，如果您相信所有检查都已通过，您可以请求所有者为您合并该请求

Final Note

我们期待着您的善意反馈。请帮助我们改进这个开源项目，让我们的工作做得更好。对于捐款，请创建拉取请求，我们会立即进行调查。再次感谢您的反馈和支持

Developers

创建者：机器学习思维模式[Blog，GitHub，Twitter]

主管：Amirsina Torfi[GitHub，Personal Website，Linkedin]

开发商：Brendan Sherman*，James E Hopkins*[Linkedin]，扎克·史密斯[Linkedin]

注意事项：本项目已被开发为顶峰项目，由[CS 4624 Multimedia/ Hypertext course at Virginia Tech]，并由[Machine Learning Mindset]

*：平均分担

Citation

如果您觉得本课程有用，请考虑引用如下内容：

@software{amirsina_torfi_2019_3585763,
  author       = {Amirsina Torfi and
                  Brendan Sherman and
                  Jay Hopkins and
                  Eric Wynn and
                  hokie45 and
                  Frederik De Bleser and
                  李明岳 and
                  Samuel Husso and
                  Alain},
  title        = {{machinelearningmindset/machine-learning-course:
                   Machine Learning with Python}},
  month        = dec,
  year         = 2019,
  publisher    = {Zenodo},
  version      = {1.0},
  doi          = {10.5281/zenodo.3585763},
  url          = {https://doi.org/10.5281/zenodo.3585763}
}
github

Mlcourse.ai-开放机器学习课程

mlcourse.ai是一门开放的机器学习课程，由OpenDataScience (ods.ai)，由Yury Kashnitsky (yorko)尤里拥有应用数学博士学位和卡格尔竞赛大师学位，他的目标是设计一门理论与实践完美平衡的ML课程。因此，你可以在课堂上复习数学公式，并与Kaggle Inclass竞赛一起练习。目前，该课程正处于自定步模式检查一下详细的Roadmap引导您完成自定进度的课程。ai

奖金：此外，您还可以购买带有最佳非演示版本的奖励作业包mlcourse.ai任务。选择“Bonus Assignments” tier请参阅主页上的交易详情mlcourse.ai

镜子(🇬🇧-仅限)：mlcourse.ai(主站点)、Kaggle Dataset(与Kaggle笔记本相同的笔记本)

自定

这个Roadmap将指导您度过11周的mlCourse.ai课程。每周，从熊猫到梯度助推，都会给出阅读什么文章、看什么讲座、完成什么作业的指示。

内容

这是medium.com上发表的文章列表🇬🇧，habr.com🇷🇺还提到了中文笔记本。🇨🇳并给出了指向Kaggle笔记本(英文)的链接。图标是可点击的

  1. 用PANDA软件进行探索性数据分析🇬🇧🇷🇺🇨🇳，Kaggle Notebook
  2. 用Python进行可视化数据分析🇬🇧🇷🇺🇨🇳，Kaggle笔记本电脑：part1，part2
  3. 分类、决策树和k近邻🇬🇧🇷🇺🇨🇳，Kaggle Notebook
  4. 线性分类与回归🇬🇧🇷🇺🇨🇳，Kaggle笔记本电脑：part1，part2，part3，part4，part5
  5. 套袋与随机林🇬🇧🇷🇺🇨🇳，Kaggle笔记本电脑：part1，part2，part3
  6. 特征工程与特征选择🇬🇧🇷🇺🇨🇳，Kaggle Notebook
  7. 无监督学习：主成分分析与聚类🇬🇧🇷🇺🇨🇳，Kaggle Notebook
  8. Vowpal Wabbit：用千兆字节的数据学习🇬🇧🇷🇺🇨🇳，Kaggle Notebook
  9. 用Python进行时间序列分析，第一部分🇬🇧🇷🇺🇨🇳使用Facebook Prophet预测未来，第2部分🇬🇧，🇨🇳卡格尔笔记本：part1，part2
  10. 梯度增压🇬🇧🇷🇺，🇨🇳，Kaggle Notebook

讲座

视频上传到thisYouTube播放列表。引言，video，slides

  1. 用熊猫进行探索性数据分析，video
  2. 可视化，EDA的主要情节，video
  3. 诊断树：theory和practical part
  4. Logistic回归：theoretical foundations，practical part(《爱丽丝》比赛中的基线)
  5. 合奏和随机森林-part 1分类指标-part 2预测客户付款的业务任务示例-part 3
  6. 线性回归和正则化-theory，Lasso&Ridge，LTV预测-practice
  7. 无监督学习-Principal Component Analysis和Clustering
  8. 用于分类和回归的随机梯度下降-part 1，第2部分TBA
  9. 用Python(ARIMA，PERPHET)进行时间序列分析-video
  10. 梯度增压：基本思路-part 1、XgBoost、LightGBM和CatBoost+Practice背后的关键理念-part 2

作业

以下是演示作业。此外，在“Bonus Assignments” tier您可以访问非演示作业

  1. 用熊猫进行探索性数据分析，nbviewer，Kaggle Notebook，solution
  2. 分析心血管疾病数据，nbviewer，Kaggle Notebook，solution
  3. 带有玩具任务和UCI成人数据集的决策树，nbviewer，Kaggle Notebook，solution
  4. 讽刺检测，Kaggle Notebook，solution线性回归作为一个最优化问题，nbviewer，Kaggle Notebook
  5. Logistic回归和随机森林在信用评分问题中的应用nbviewer，Kaggle Notebook，solution
  6. 在回归任务中探索OLS、LASSO和随机森林nbviewer，Kaggle Notebook，solution
  7. 无监督学习，nbviewer，Kaggle Notebook，solution
  8. 实现在线回归，nbviewer，Kaggle Notebook，solution
  9. 时间序列分析，nbviewer，Kaggle Notebook，solution
  10. 在比赛中超越底线，Kaggle Notebook

卡格尔竞赛

  1. 如果可以，请抓住我：通过网页会话跟踪检测入侵者。Kaggle Inclass
  2. Dota 2获胜者预测。Kaggle Inclass

引用mlCourse.ai

如果你碰巧引用了mlcourse.ai在您的工作中，您可以使用此BibTeX记录：

@misc{mlcourse_ai,
    author = {Kashnitsky, Yury},
    title = {mlcourse.ai – Open Machine Learning Course},
    year = {2020},
    publisher = {GitHub},
    journal = {GitHub repository},
    howpublished = {\url{https://github.com/Yorko/mlcourse.ai}},
}

社区

讨论在#mlCourse_ai世界上最重要的一条航道OpenDataScience (ods.ai)松懈团队

课程是免费的，但你可以通过承诺以下内容来支持组织者Patreon(每月支持)或一次性付款Ko-fi


github

Algorithms-Python中数据结构和算法的最小示例

Python数据结构和算法

Python3中数据结构和算法的最小且干净的示例实现

贡献

感谢您对投稿的兴趣！有很多方式可以为这个项目做出贡献。Get started here

测试

使用单元测试

要运行所有测试，请写下：

$ python3 -m unittest discover tests

要运行某些特定测试，您可以执行以下操作(例如：排序)：

$ python3 -m unittest tests.test_sort

使用pytest

要运行所有测试，请写下：

$ python3 -m pytest tests

安装

如果您想在代码中使用API算法，只需如下所示：

$ pip3 install algorithms

您可以通过创建一个python文件进行测试：(例如：USEmerge_sort在……里面sort)

from algorithms.sort import merge_sort

if __name__ == "__main__":
    my_list = [1, 8, 3, 5, 6]
    my_list = merge_sort(my_list)
    print(my_list)

卸载

如果要卸载算法，只需执行以下操作：

$ pip3 uninstall -y algorithms

实现列表

贡献者

感谢all the contributors帮助建立回购的人