| Docker tag | status |
|---|---|
| CPU |  |
| GPU | |
-
这个库使用具体的例子来学习 [机器学习 + 深度学习]
-
使用尽可能详细的注释来写代码, 另外，相关的书面说明以及个人见解与总结会发布在 website
- 可以通过构建 Docker 容器的方式来进行学习(免去了环境配置的麻烦， 同时支持跨平台)
# 通过提供的 Dockerfile 进行构建
$ docker build -t ml-example:latest -f Dockerfile .- 直接 pull image, 运行方式参见 docker run
# for CPU version
$ docker pull machine-learning-on-docker:cpu
# for GPU version
$ docker pull machine-learning-on-docker:gpu- git clone(需要自己配置环境)
$ git clone https://github.com/AutuanLiu/MDeepLearn.git
$ cd MDeepLearn[以下持续更新中......]
- 机器学习常见函数及其图像
- 线性模型
- 最小二乘回归
- Lasso 回归
- Ridge 回归
- 多项式回归
- 核岭回归
- 弹性网
- 逻辑回归
- LDA
- QDA
- 分类
- SVM
- RandomForest
- Gradient Boost tree
- XGBoost
- AdaBoost
- CatBoost
- LightGBM
- imbalance learn
- over-sampling
- under-sampling
- Combining over-sampling and under-sampling
- Create ensemble balanced sets
- 聚类
- K-means
- GMM
- Affinity Propagation
- SpectralClustering
- DBSCAN
- MeanShift
- 降维
- PCA
- LDA
- SVD
- 神经网络
- CNN
- RNN
- LSTM
- DNN
- autoEncoder
- env config
- ubuntu 一键环境配置
- 云服务器同样可用
- Linux environment configurations
以上内容(不完整)都会采用 TensorFlow, Pytorch, sklearn 进行实现(进度可能有点慢, 因为我也是在学习的阶段), PyTorch 模型实现之后会 独立成库(目前主攻 PyTorch)
TensorFlow和Pytorch主要是构建深度学习框架，神经网络的，这里使用它们建立线性回归等只是说明它们可以实现这样的模型- 对于机器学习模型应该尽可能采用
sklearn进行构造，毕竟术业有专攻
- 同一个神经网络有多种实现方式, 选一种喜欢的就好
- keras 相关代码完全使用 Tensorflow 作为后端, 因为 tensorflow 已经封装了 keras 所以，可以完全不用 安装 keras 而使用
- Pytorch 和 keras 都是 面向对象 的神经网络编程
- keras 相对于 tensorlayer 封装的更为抽象, tensorlayer 在封装时仍然可以和底层的 tensorflow 代码进行交互，相对比较透明
- 纯 tensorflow 相对还是有难度的, 但是可以结合 Tensorlayer 等进行学习, 可能会比较容易(网络结构比较清晰)
- 不过要实现自己的网络结构的话, pytorch 可能是最合适的
- 尽可能全面转向 面向对象和面向函数 编程思维
- 优先使用 pytorch 实现
- Tensorflow Machine Learning Cookbook
- scikit-learn
- TensorFlow-Tutorials
- Simple PyTorch Tutorials Zero to ALL
- TensorFlow Basic Tutorial Labs
- A set of examples around pytorch
- pytorch中文网
- PyTorch
- Getting Started With TensorFlow
- tensorflow-zh
- machine learning in Python
- skorch
- Deep-Learning-Boot-Camp
- pytorch welcome_tutorials
- PyTorch-Mini-Tutorials
- practical-pytorch
- the-incredible-pytorch
- pytorch-tutorial
- imbalanced-learn documentation
- How to handle Imbalanced Classification Problems in machine learning?
- Understanding Neural Networks Through Deep Visualization
- deep-visualization-toolbox: DeepVis Toolbox
- Simplified implementations of deep learning related works
- Deep Learning Book Chinese Translation
- Essential Cheat Sheets for deep learning and machine learning researchers
- Practical Business Python
- Distill — Latest articles about machine learning
- 原理可视化: Setosa data visualization and visual explanations
- 神经网络总结: Neural networks and deep learning
- PyTorch 官方实例
- 斯坦福大学 CS231 课程Stanford University CS231n: Convolutional Neural Networks for Visual Recognition
- 博客 Sasank's Blog
- 在线书籍《Python进阶》
- Fast.ai 在线学习网站(推荐)fast.ai · Making neural nets uncool again
- Python魔法方法指南
- Object serialization in Python
- 《TensorFlow 机器学习实战指南》
- 《深度学习》(花书)
- 《机器学习 周志华》(西瓜书)
- 《The Element of Statistical Learning》
- 《Hands On Machine Learning with Scikit Learn and TensorFlow》
- 《机器学习实战》
- 《Tensorflow 实战Google深度学习框架》
- 《A guide to convolution arithmetic for deep》论文
- 《An Introduction to Statistical Learning》
- 《Convex Optimization》
- 《Statistical Analysis with Missing Data-Wiley-Interscience (2002)》
- 《TensorFlow 官方文档中文版 - v1.2》极客学院
- 《TensorFlow技术解析与实战.李嘉璇.2017》
- 《Reinforcement Learning: An Introduction》
- 《Pattern Recognition And Machine Learning》经典
- 《统计学习方法 李航》
- 《Machine Learning Kevin P·Murph》
- 《Bayesian Reasoning and Machine Learning David Barber 》
- 《深度学习：一起玩转TensorLayer》
P.S. 这也是逼迫自己写代码，实战的一种手段吧！
- 如果你觉得这个 repository 有用，并且希望丰富这个repository的内容，欢迎 PR
- 参见(待更新) dir_tree.txt
$ tree -h -I 'Mnist|fashionMnist|__pycache__' > dir_tree.txt