最近，有一份很全面的算法资源在GitHub上火了，不只有相应的原理介绍和完成代码，还供给了Demo，现在GitHub上标星现已打破2900星。

这份资源中，总共有5个算法，分别是：线性回归、逻辑回归、K均值算法、根据高斯分布的反常检测、多层感知器（MLP）。

每一个算法，都会有数学原了解说、Python完成的示例和交互式的Jupyter Notebook Demo。大多数情况下，这些算法的解说，都是根据吴恩达的机器学习课程。

根据这些资源，你可以进行相应的数据练习、算法装备，并立即在浏览器中检查成果、图表和猜测。

资源里都有什么？

5个算法， 总共分为了监督学习、无监督学习和神经网络3个类别。每个大的类别，都有相应的介绍，并给出了相应的运用规模。然后便是相应算法的资源。

以神经网络为例，这个类别之下的算法是多层感知器，总共有4个资源。

***个资源是文档，介绍了神经网络和多层感知器背面的原理与完成逻辑，并供给了相应的参考资料，可以进一步学习。

第二个资源是代码，出现了如何用Python完成多层感知器。基本上每一块代码前，都有相应的注释，标明晰代码的功用和注意事项。

后两个资源是根据Jupyter Notebook的Demo，用算法和数据集练习模型，来进一步的了解多层感知器算法的运用。

一个运用MNIST数据集练习一个辨认手写数字（0-9）的分类器。另一个运用是Fashion-MNIST数据集，练习一个衣服分类器。

需求什么先决条件?

资源的上手门槛不高，最基本的要求便是装置Python。由于项目中的一切Demo都可以在浏览器中运转，所以不需求在本地装置Jupyter。

一切用于Jupyter Notebook的数据集都可以在data文件夹中找到。

谁干的功德？

制造这份资源的，是一位名叫Oleksii Trekhleb的乌克兰工程师，现在正在一家软件技术咨询公司EPAM Systems担任***软件工程师。

他说，树立这个存储库的意图，不是经过运用第三方库的“一行程序”来完成机器学习算法，而是从头开始实践这些算法，然后让我们可以更好地了解每个算法背面的原理。

传送门

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