machine-learning

machine-learning

机器学习与数据科学教程,深度学习、模型部署与强化学习

本项目持续更新,介绍了数据科学和机器学习各个主题。内容涵盖深度学习、模型部署、运筹学和强化学习等,提供Jupyter Notebook格式教程,结合Python科学栈(如numpy、pandas)和开源库(如scikit-learn、TensorFlow、PyTorch)进行教学示范,平衡数学符号与实际应用。

machine-learning深度学习模型部署强化学习时间序列Github开源项目

机器学习

许可证 Python 3.10 Python 3.9 Python 3.8

这是一个不断更新的仓库,记录了个人在学习数据科学、机器学习相关主题方面的旅程。

目标: 以Jupyter Notebook格式介绍机器学习内容。内容旨在在数学符号、从头开始使用Python科学库(包括numpy,numba,scipy,pandas,matplotlib,pyspark等)的教育实现与开源库的使用(如scikit-learn,fasttext,huggingface,onnx,xgboost,lightgbm,pytorch,keras,tensorflow,gensim,h2o,ortools,ray tune等)之间取得良好平衡。

文档列表

深度学习

精选深度学习笔记。

  • 从零开始的Softmax回归。[nbviewer][html]
  • Softmax回归 - Tensorflow入门案例。[nbviewer][html]
  • 多层神经网络 - Tensorflow。[nbviewer][html]
  • 卷积神经网络 (CNN) - Tensorflow。[nbviewer][html]
  • 循环神经网络 (RNN)。
  • 使用Gensim的Word2vec(skipgram + 负采样)。[nbviewer][html]
  • 序列到序列神经网络 (Seq2Seq)。
    • Seq2Seq用于德语到英语机器翻译 - PyTorch。包含torchtext的快速介绍。[nbviewer][html]
    • 带注意力机制的Seq2Seq用于德语到英语的机器翻译 - PyTorch。[nbviewer][html]
  • 子词分词。
    • 从零开始的Byte Pair Encoding (BPE) 以及sentencepiece的快速演练。[nbviewer][html]
  • Fasttext。
    • 使用Fasttext和Huggingface Tokenizers的多标签文本分类。[nbviewer][html]
    • 用于模型压缩的产品量化。[nbviewer][html]
    • 使用Navigable Small World的近似最近邻搜索。[nbviewer][html]
  • 图神经网络 (GNN)。
    • 图神经网络节点分类任务的快速介绍 (DGL, GraphSAGE)。[nbviewer][html]
  • Transformer。
    • Transformer,注意力机制是你所需要的一切 - PyTorch, Huggingface Datasets。[nbviewer][html]
    • 使用Huggingface Transformers mT5进行机器翻译。[nbviewer][html]
    • 在问答任务中微调预训练编码器。[nbviewer][html]
    • 通过对比学习笔记训练双编码器模型。[nbviewer][html]
    • 句子Transformer:通过对比损失训练双编码器。[nbviewer][html]
    • CLIP(对比语言-图像预训练)、LiT、ViT简介。[nbviewer][html]
    • 自监督 (SIMCLR) 与有监督对比学习。[nbviewer][html]
    • 使用LLM和PEFT LoRA(PyTorch Lightning)进行多语言句子嵌入。[nbviewer][html]
  • 表格数据

模型部署

  • FastAPI与Azure Kubernetes集群。训练模型并将其作为服务托管的端到端示例。[folder]
  • 梯度提升树推断快速介绍。[nbviewer][html]
  • 加速Transformers推断。[folder]
  • 使用AWS(亚马逊网络服务)。[folder]

运筹学

强化学习

广告

与广告领域相关的笔记。

搜索

信息检索,部分示例使用ElasticSearch进行演示。

时间序列

用于基于时间序列数据的预测方法。

  • 入门时间序列分析与指数平滑 (Holt-Winters)。[nbviewer][html]
  • 将时间序列问题框架化为监督学习。[nbviewer][html]
  • 首次涉足离散/快速傅里叶变换。[nbviewer][html]

项目

端到端项目包括数据预处理,模型构建。

A/B 测试

A/B 测试,即实验设计。包括:必要统计概念的快速回顾。进行测试的方法和流程/思维过程以及需注意的陷阱。

  • 频率派A/B测试(包含P值、置信区间等概念的快速回顾)。[nbviewer][html]
  • 分位数回归及其在A/B测试中的应用。
  • 因果推断

模型选择

选择、改进、评估模型/算法的方法。

  • K 折交叉验证,网格/随机搜索从头开始。[nbviewer][html]
  • 从头构建AUC(ROC 曲线下的面积和精准/召回率曲线),包括构建自定义 scikit-learn 变换器的过程。[nbviewer][html]
  • 不平衡数据集的评估指标。[nbviewer][html]
  • 检测特征之间的共线性(数值特征的方差膨胀因子和类别特征的克莱默 V 统计量),还介绍了最大似然角度的线性回归和R平方评估指标。[nbviewer][html]
  • 技术和软技能的精心整理的提示和技巧。[nbviewer][html]
  • 偏依赖图(PDP),方向特征影响的模型不可知论方法。[nbviewer][html]
  • 库尔贝克-莱布勒(KL)散度。[nbviewer][html]
  • 基于 Platt Scaling、直方图分箱、保序回归的分类模型概率校准。[nbviewer][html]
  • 使用温度缩放进行深度学习分类模型的概率校准。[nbviewer][html]
  • 使用 Ray Tune 和 Hyperband 进行超参数调优。[nbviewer][html]

维度减少

降维方法。

  • 从头开始的主成分分析 (PCA)。[nbviewer][html]
  • 奇异值分解 (SVD) 介绍,即潜在语义分析/索引 (LSA/LSI)。[nbviewer][html]

推荐系统

推荐系统,侧重矩阵分解方法。新手应先通过第一个笔记本了解矩阵分解方法的基础知识。

  • 带加权正则化的交替最小二乘法 (ALS-WR) 从头开始。[nbviewer][html]
  • 从头开始的 ALS-WR 隐式反馈数据 & k的平均精度 (mapk) 和归一化累计折扣增益 (ndcg) 评估。[nbviewer][html]
  • 从头开始的贝叶斯个性化排序 (BPR) & AUC 评估。[nbviewer][html]
  • 使用 lightfm 的 WARP(加权近似秩对损失)。[nbviewer][html]
  • 从头开始的因子分解机。[nbviewer][html]
  • 基于内容的推荐系统:
    • (文本) 基于内容的推荐器。介绍了用于余弦距离的逼近最近邻 (ANN) - 局部敏感散列 (LSH) 从零开始。[nbviewer][html]
  • 近似最近邻 (ANN):
    • 近似最近邻实现的基准测试 (nmslib)。[nbviewer][html]
  • 校准推荐,以减少偏见/增加推荐多样性。[nbviewer][html]
  • 最大内积,加速生成推荐。[nbviewer][html]

树模型

树模型,用于回归和分类任务。

  • 从零开始的决策树。[nbviewer][html]
  • 从零开始的随机森林和额外树。[nbviewer][html]
  • 从零开始的梯度提升机(GBM)。[nbviewer][html]
  • Xgboost API 漫步(包括通过 scikit-learn 类 API 调整超参数)。[nbviewer][html]
  • LightGBM API 漫步以及关于基于树的模型中分类特征的讨论。[nbviewer][html]
  • 使用提升树的单调约束。[nbviewer][html]

聚类

TF-IDF 和主题建模是专门用于文本分析的技术。

  • 从零开始的 TF-IDF(文本频率 - 逆文档频率)。[nbviewer][html]
  • 从零开始的 K 均值、K 均值++;选择 K 的曲肘法。[nbviewer][html]
  • 从零开始的高斯混合模型;使用 AIC 和 BIC 选择高斯数量。[nbviewer][html]
  • 使用 gensim 的潜在狄利克雷分配(LDA)进行主题建模。[nbviewer][html]

keras

对那些感兴趣的人也有一个 keras 速查表 可能会派上用场。

  • 多层神经网络(keras 基础)。[nbviewer][html]
  • 通过 scikit-learn 类的 API 调整多层神经网络的超参数。[nbviewer][html]
  • 卷积神经网络(CNN)
  • 循环神经网络(RNN) - 语言建模基础。[nbviewer][html]
  • 文本分类
    • 用于文本分类的 Word2vec。[nbviewer][html]
    • 利用预训练词嵌入进行文本分类。[nbviewer][html]
    • 用于文本分类的 Sentencepiece 子词分词。[nbviewer][html]

文本分类

文本分类的深度学习技术被分类在自己的一节中。

  • 使用 scikit-learn 进行垃圾邮件分类的直观建设(scikit-learn hello world)。[nbviewer][html]
  • 从零开始的伯努利和多项式朴素贝叶斯。[nbviewer][html]
  • 从零开始的逻辑回归(随机梯度下降)。[nbviewer][html]
  • 从零开始的卡方特征选择。[nbviewer][html]

正则化

使用 scikit-learn 构建对岭回归和套索回归的直观理解。

networkx

也讨论了除了 networkx 之外的图库。

  • PyCon 2016:简单实用的网络分析。快速入门 networkx 的 API。包括一些基本的图形绘制和算法。[nbviewer][html]
  • PageRank 的简短漫步。[nbviewer][html]
  • 从零开始的影响最大化。包括对独立级联(IC)、次可加优化算法,包括贪婪和惰性贪婪(又称成本效益惰性前进(CELF))的讨论。[nbviewer][html]

关联规则

也称为市场篮分析。

  • 从零开始的 Apriori。[nbviewer][html]
  • 使用 R 的 arules 包(apriori)处理表格数据。[Rmarkdown]

大数据

探索大数据工具,如 Spark 和 H2O.ai。对于那些感兴趣的人,还有一个 pyspark rdd 速查表pyspark dataframe 速查表 可能会派上用场。

数据科学是软件

在 Python 中进行数据科学的最佳实践。

遗传算法

遗传算法。从零开始的无数学解释和代码。

  • 从一个简单的优化问题开始扩展到旅行商问题(TSP)。
  • 查看 [nbviewer][html]

不平衡

在您的数据集中包含不平衡的二元类时,使用成本敏感错误(意味着两类之间的误分类成本可能不同)为逻辑回归选择最佳截断值。例如,数据集中大多数数据点具有正面结果,而很少有负面结果,或者相反。这种概念可以扩展到任何其他可以预测类概率的分类算法,此文档仅使用逻辑回归进行说明。

  • 使用ggplot2可视化标准的2x2混淆矩阵和带有成本的ROC曲线。
  • 查看 [Rmarkdown]

聚类旧

一系列散落的R中的旧聚类文档。

  • LDA算法(Gibbs采样)和topicmodels库的玩具样本代码。[Rmarkdown]
  • 解决查找文本相似文档问题的k-shingle, Minhash和局部敏感散列。[Rmarkdown]
  • 介绍tf-idf(词频-逆文档频率),一种文本挖掘技术。并通过层次聚类来执行文本聚类。[Rmarkdown]
  • 在使用层次聚类和K-means聚类(这里使用了K-means++)时的一些有用评估。包括Calinski-Harabasz指数,用于确定聚类的正确K(聚类数)以及聚类结果稳定性的自举评估。[Rmarkdown]

线性回归

  • 在R中使用梯度下降训练线性回归,简要介绍线性回归总结输出的解释和可视化。[Rmarkdown]

Python编程

  • 非常快速的Unicode指南。[markdown]
  • 工厂设计模式的快速示例。[nbviewer][html]
  • 使用Python的并行编程(线程,进程,concurrent.futures,joblib)。[nbviewer][html]
  • 理解可迭代对象,迭代器和生成器。[nbviewer][html]
  • 队列分析。使用seaborn的热图可视化用户保留情况并说明pandas的unstack。[nbviewer][html]
  • 日志模块。[nbviewer][html]
  • 从头开始的数据结构和算法。[folder]
  • 用于高性能Python的Cython和Numba快速启动。[nbviewer][html]
  • 优化Pandas(例如,使用类别类型减少内存使用)。[nbviewer][html]
  • 单元测试。[Python script]
  • 使用内置数据结构和算法。[nbviewer][html]
  • 字符串和文本的技巧。[nbviewer][html]
  • Python装饰器(用于记录和计时函数的有用脚本)。[nbviewer][html]
  • Pandas的数据透视表。[nbviewer][html]
  • 对类方法,静态方法和属性的快速介绍。[nbviewer][html]

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多