ML-From-Scratch
Aprendizado de Máquina do Zero. Implementações básicas em NumPy de modelos e algoritmos de aprendizado de máquina com foco em acessibilidade. Visa cobrir tudo, desde regressão linear até aprendizado profundo.
Explore os fundamentos do aprendizado de máquina implementando vários modelos e algoritmos do zero usando Python.
Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.
Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.
Grátis · sem cartão · cancele quando quiserAprendizado de Máquina do Zero. Implementações básicas em NumPy de modelos e algoritmos de aprendizado de máquina com foco em acessibilidade. Visa cobrir tudo, desde regressão linear até aprendizado profundo.
ML-From-Scratch tem 32.3k estrelas no GitHub. Foi bifurcado 5.4k vezes. ML-From-Scratch é escrito principalmente em Python. Está em desenvolvimento ativo desde 2017. ML-From-Scratch está disponível sob a licença MIT. Os seus principais temas são: data-mining, data-science, deep-learning, deep-reinforcement-learning.
O que é ML-From-Scratch?
Aprendizado de Máquina do Zero. Implementações básicas em NumPy de modelos e algoritmos de aprendizado de máquina com foco em acessibilidade. Visa cobrir tudo, desde regressão linear até aprendizado profundo.
ML-From-Scratch é de código aberto?
ML-From-Scratch é um projeto de código aberto. É distribuído sob a licença MIT.
ML-From-Scratch é gratuito?
Sim. ML-From-Scratch é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.
Sob que licença está ML-From-Scratch?
ML-From-Scratch está disponível sob a licença MIT.
Em que linguagem ML-From-Scratch está escrito?
ML-From-Scratch é escrito principalmente em Python.
Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.
[](https://olud.ai/project/eriklindernoren-ml-from-scratch.html)
Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.