ML-From-Scratch
Apprentissage automatique depuis zéro. Implémentations de base en NumPy de modèles et algorithmes d'apprentissage automatique avec un accent sur l'accessibilité. Vise à couvrir tout, de la régression linéaire à l'apprentissage profond.
Explorez les bases de l'apprentissage automatique en implémentant divers modèles et algorithmes à partir de zéro en utilisant Python.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentApprentissage automatique depuis zéro. Implémentations de base en NumPy de modèles et algorithmes d'apprentissage automatique avec un accent sur l'accessibilité. Vise à couvrir tout, de la régression linéaire à l'apprentissage profond.
ML-From-Scratch compte 32.4k étoiles sur GitHub. Il a été forké 5.4k fois. ML-From-Scratch est écrit principalement en Python. Il est développé activement depuis 2017. ML-From-Scratch est disponible sous licence MIT. Ses principaux thèmes sont : data-mining, data-science, deep-learning, deep-reinforcement-learning.
Qu'est-ce que ML-From-Scratch ?
Apprentissage automatique depuis zéro. Implémentations de base en NumPy de modèles et algorithmes d'apprentissage automatique avec un accent sur l'accessibilité. Vise à couvrir tout, de la régression linéaire à l'apprentissage profond.
ML-From-Scratch est-il open source ?
ML-From-Scratch est un projet open source. Il est distribué sous licence MIT.
ML-From-Scratch est-il gratuit ?
Oui. ML-From-Scratch est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
Sous quelle licence est ML-From-Scratch ?
ML-From-Scratch est disponible sous licence MIT.
Dans quel langage ML-From-Scratch est-il écrit ?
ML-From-Scratch est écrit principalement en Python.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://opensourceai.tech/project/eriklindernoren-ml-from-scratch.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.