最近，有一份很全面的演算法資源在GitHub上火了，不僅有相應的原理介紹和實現程式碼，還提供了Demo，目前GitHub上標星已經突破2900星。

這份資源中，一共有5個演算法，分別是：線性迴歸、邏輯迴歸、K均值演算法、基於高斯分佈的異常檢測、多層感知器（MLP）。

每一個演算法，都會有數學原理解釋、Python實現的示例和互動式的Jupyter Notebook Demo。大多數情況下，這些演算法的解釋，都是基於吳恩達的機器學習課程。

基於這些資源，你可以進行相應的資料訓練、演算法配置，並立即在瀏覽器中檢視結果、圖表和預測。

資源裡都有什麼？

5個演算法， 一共分為了監督學習、無監督學習和神經網路3個類別。每個大的類別，都有相應的介紹，並給出了相應的應用範圍。然後就是相應演算法的資源。

以神經網路為例，這個類別之下的演算法是多層感知器，一共有4個資源。

第一個資源是文件，介紹了神經網路和多層感知器背後的原理與實現邏輯，並提供了相應的參考資料，可以進一步學習。

第二個資源是程式碼，呈現瞭如何用Python實現多層感知器。基本上每一塊程式碼前，都有相應的註釋，標明瞭程式碼的功能和注意事項。

後兩個資源是基於Jupyter Notebook的Demo，用演算法和資料集訓練模型，來進一步的熟悉多層感知器演算法的運用。

一個使用MNIST資料集訓練一個識別手寫數字（0-9）的分類器。另一個使用是Fashion-MNIST資料集，訓練一個衣服分類器。

需要什麼先決條件?
資源的上手門檻不高，最基本的要求就是安裝Python。因為專案中的所有Demo都可以在瀏覽器中執行，所以不需要在本地安裝Jupyter。

所有用於Jupyter Notebook的資料集都可以在data資料夾中找到。

誰幹的好事？
製作這份資源的，是一位名叫Oleksii Trekhleb的烏克蘭工程師，目前正在一家軟體技術諮詢公司EPAM Systems擔任首席軟體工程師。

他說，建立這個儲存庫的目的，不是通過使用第三方庫的“一行程式”來實現機器學習演算法，而是從頭開始實踐這些演算法，從而讓大家能夠更好地理解每個演算法背後的原理。

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

“我自己是一名從事了5年前端的老程式設計師，辭職目前在做講師，今年年初我花了一個月整理了一份最適合2019年學習的web前端乾貨，從最基礎的HTML+CSS+JS到移動端HTML5到各種框架都有整理，送給每一位前端小夥伴，web前端學習群957389100，這裡是小白聚集地，歡迎初學和進階中的小夥伴。"