Machine-Learning-Basic-Codes🏆
朱子云:
所谓致知在格物者,言欲致吾之知,在即物而穷其理也。盖人心之灵,莫不有知,而天下之物,莫不有理。惟于理有未穷,故其知有不尽也。是以大学始教,必使学者即凡天下之物,莫不因其已知之理而益穷之,以求至乎其极。至于用力之久,而一时豁然贯通焉,则众物之表里精粗无不到,而吾心之全体大用无不明矣。
📐📏
格物 (Ko Wu),在英语中意为“探究事物的本质”,是研究和更好理解知识的重要方法。这是2000年前古代中国哲学家提出的,对后代产生了深远影响。格物的精神要求我们不仅要学习如何使用知识,还要清楚地理解内在的理论。因此,有必要自己重新实现机器学习算法,以弄清楚它们具体做了什么以及为何成功。
这个仓库的目的是通过纯Python和开源框架来实现流行的机器学习和深度学习算法。
- 常见的机器学习部分:在主函数中通过**
use_sklearn
标志**切换; - 深度学习部分:每种算法四种实现方法(
use_sklearn
,use_keras
,use_torch
和self_implement
)**; - 应用部分:RL + NLP + CV
- 新趋势:GNNs
欢迎大家通过拉取请求或给我一些建议和问题来帮助我完成这个格物项目!!!
关联知乎专栏 Associated Zhihu Blog
代码目录 Code Catalog
回归
分类
回归 & 分类
神经网络
无监督学习
集成模型
强化学习
- 基于值的方法: Q-learning(表格), DQN
- 基于策略的方法: 普通策略梯度, TRPO, PPO
- Actor-Critic结构: AC, A2C, A3C
- 深度确定性策略梯度: DDPG, DDPG C++ (未完成), TD3
- 软Actor-Critic
计算机视觉
自然语言处理
- 注意力机制
- Transformer
- BERT
图神经网络
- 图神经网络 (GNN)
- 图卷积神经网络 (GCN)
- 图注意网络 (GAT)
- GraphSAGE
- GraphRNN
- 变分图自动编码器 (GAE)
如果你对强化学习感兴趣,我们鼓励你查看我们的最新库,用于(类人)机器人中的强化学习和模仿学习。