最近，有一份很全面的算法資源在GitHub上火了，不僅有相應的原理介紹和實現代碼，還提供了Demo，目前GitHub上標星已經突破2900星。

這份資源中，一共有5個算法，分別是：線性回歸、邏輯回歸、K均值算法、基于高斯分布的異常檢測、多層感知器（MLP）。

每一個算法，都會有數學原理解釋、Python實現的示例和交互式的Jupyter Notebook Demo。大多數情況下，這些算法的解釋，都是基于吳恩達的機器學習課程。

基于這些資源，你可以進行相應的數據訓練、算法配置，并立即在瀏覽器中查看結果、圖表和預測。

資源里都有什么？

5個算法， 一共分為了監督學習、無監督學習和神經網絡3個類別。每個大的類別，都有相應的介紹，并給出了相應的應用范圍。然后就是相應算法的資源。

以神經網絡為例，這個類別之下的算法是多層感知器，一共有4個資源。

***個資源是文檔，介紹了神經網絡和多層感知器背后的原理與實現邏輯，并提供了相應的參考資料，可以進一步學習。

第二個資源是代碼，呈現了如何用Python實現多層感知器。基本上每一塊代碼前，都有相應的注釋，標明了代碼的功能和注意事項。

后兩個資源是基于Jupyter Notebook的Demo，用算法和數據集訓練模型，來進一步的熟悉多層感知器算法的運用。

一個使用MNIST數據集訓練一個識別手寫數字（0-9）的分類器。另一個使用是Fashion-MNIST數據集，訓練一個衣服分類器。

需要什么先決條件?

資源的上手門檻不高，最基本的要求就是安裝Python。因為項目中的所有Demo都可以在瀏覽器中運行，所以不需要在本地安裝Jupyter。

所有用于Jupyter Notebook的數據集都可以在data文件夾中找到。

誰干的好事？

制作這份資源的，是一位名叫Oleksii Trekhleb的烏克蘭工程師，目前正在一家軟件技術咨詢公司EPAM Systems擔任***軟件工程師。

[[254713]]

他說，建立這個存儲庫的目的，不是通過使用第三方庫的“一行程序”來實現機器學習算法，而是從頭開始實踐這些算法，從而讓大家能夠更好地理解每個算法背后的原理。

傳送門

https://github.com/trekhleb/homemade-machine-learning