zhoutao-shsf / ML-Tutorial-Experiment Public

forked from jiqizhixin/ML-Tutorial-Experiment

Notifications You must be signed in to change notification settings
Fork 0
Star 0

Coding the Machine Learning Tutorial for Learning to Learn

0 stars 734 forks Branches Tags Activity

Notifications

Name		Name	Last commit message	Last commit date
Latest commit History 71 Commits
Experiments		Experiments
README.md		README.md

Repository files navigation

ML-Tutorial-Experiment

Coding the Machine Learning Tutorial for Learning to Learn

第一期：从零开始用TensorFlow搭建卷积神经网络--&--文章代码
- 补充资料：基础代码解析
- 补充资料：Keras构建CNN
- 补充资料：TensorFlow构建LeNet-5
- 补充资料：从DensNet到CliqueNet，探索卷积神经网络架构
第二期：GAN完整理论推导与实现--&--文章代码
- 补充资料：原版GAN的TensorFlow实现
第三期：CapsNet结构解析与实现--&--文章代码
- 补充资料：解读官方实现的核心代码
第四期：RNN与CNN的序列建模--&--LSTM语言建模--&--TCN官方实现--&--TCN语言建模（Colaboratory）
第五期：基于Transformer的神经机器翻译--&--Colaboratory实现

为了扩展优秀模型与实现，机器之心将梳理历史优质文章，同时也欢迎各位开发者与研究者提供优质的文章。我们将尝试确定添加的文章都是可复现，且基本无理解性错误的文章，并按以下模型归类。若读者发现这些文章有错误或理解误差，可以在 GitHub 上提 issue，确定后我们将修改文章。

数学与编程基础
- 线性代数
  - 教程 | 基础入门：深度学习矩阵运算的概念和代码实现
- 概率与信息论
  - 从概率论到多分类问题：综述贝叶斯统计分类
- 数值计算
- Python基础
  - 从变量到封装：一文带你为机器学习打下坚实的Python基础
  - 一文带你了解 Python 集合与基本的集合运算
- NumPy基础
一般机器学习
- 入门模型
  - 线性回归
  - Logistic 回归
    - 从原理到应用：简述Logistics回归算法
    - 从头开始：用Python实现带随机梯度下降的Logistic回归
- 朴素贝叶斯
  - 实践中最广泛应用的分类模型：朴素贝叶斯算法
- 决策树
- 支持向量机
- 聚类方法
  - K均值聚类
  - 层次聚类
- 降维算法
  - PCA
  - 自编码器
  - t-SNE
- 集成方法
  - Staking
  - Bagging
    - 随机森林
  - Boosting
    - AdaBoost
    - 提升树
    - 梯度提升树
- 概率图模型
  - 隐马尔科夫模型
  - 隐马尔可夫随机场
  - 条件随机场
- 半监督学习
  - Entropy-based
  - Graph-based
深度学习
- 最优化方法
- 深度前馈网络
- 深度卷积网络
- 深度循环网络
- 深度生成模型
  - PixelRNN/PixelCNN
  - VAE
  - GAN

About

Coding the Machine Learning Tutorial for Learning to Learn

Report repository

Releases

No releases published

Packages

No packages published

Languages

Jupyter Notebook 99.0%
Python 1.0%