Projekte
Auf GitHub ansehen
wmn7/ML_Practice
wmn7/ML_Practice has 235 GitHub stars and 143 forks. Star changes are not measured yet. Last checked 2026-11-15 19:22 UTC. Last push 2023-03-14.
Gemessener Sternzuwachs
- in 24h
- Verlauf wird gesammelt
- in 7 days
- Verlauf wird gesammelt
- in 15 days
- Verlauf wird gesammelt
- in 1 month
- Verlauf wird gesammelt
Nettoänderungen in überlappenden Zeiträumen, keine Tagessummen. Fehlende Messwerte bleiben leer. Sterne zeigen Interesse, nicht Qualität.
Über uns
ML Records in 1110 Lab of BUPT. Some detailed information can be referenced on: https://mathpretty.com/10388.html
Maschinelles LernenREADME.md
Original目录
简单说明:
- 这里会记录一些我平时所学的和平时所做的实验,尽量所有的都以
Jupyter Notebook的形式上传,看起来更加方便。 - 我建议可以按照这篇文章机器学习文章总结来进行看。基本这里每一个代码我都有相应的文章进行介绍。
- (我最初的想法是这里记录原始的, 或是精简过的 Jupyter Notebook, 详细的说明在文艺数学君上进行说明. 想看代码再来这个仓库进行查看)
Tools
- Python生成词云
- Python生成字符画
- Python生成马赛克图片
2019_03_17
- PyTorch 实现简单分类
- PyTorch 实现CNN, Dogs vs. Cats
- Pytorch 维度的理解
- PyTorch 对交叉熵的理解(CrossEntropy)
2019_03_24
- 模型可视化-Netron
- 残差网络举例, 使用 Pytorch 训练-验证-测试Resnet50
- 论文介绍 : Decision-based boundary attack
2019_04_14
- 正则化技术的介绍
- 交叉检验技术的介绍(CV)
2019_04_21
- Pytorch 在 MNIST 实现分类(简单演示)
- Pytorch 在 MNIST 实现分类(动态增加层数,便于之后调试)
2019_04_29
- PyTorch 实现逻辑回归
- 包含逻辑回归的 PPT 和代码实现和使用的数据
2019_05_27
- CNN 的介绍
- Convolution的一些可解释性
- deep dream的实现
2019_06_03
- Image Style Transform(图片的风格迁移)
- CNN_MNIST 可视化
2019_06_10
- Fizz Buzz in Pytorch
- CLASSIFYING NAMES WITH A CHARACTER-LEVEL RNN
- 时间序列分析(使用RNN完成时间序列预测)
2019_06_17
- Seq2Seq - translation (一个简单的 Seq2Seq 的模型,用来实现英文与法文的翻译。)
- Seq2Seq with Attention (加上 Attention 的 Seq2Seq 模型。)
2019_06_24
- Emotion RNN(使用RNN完成简单的情感分类)
- Word Embedding(简单实现Skip-gram算法)
2019_07_08
- 关于更多模型解释的内容, 查看文章: 模型的可解释性简单说明(Interpreting machine learning models)
- Saliency Maps 的简单实现
- LIME 与 Pytorch 的结合使用
- SHAP 与 Pytorch 的结合使用
2019_07_15
- GAN 生成服从高斯分布的数据
- GAN 生成手写数字
2019_08_12
- Factor Analysis(因子分析)
- Principal component analysis, PCA(主成分分析)
2019_08_26
- 分类器边界的可视化方式.
- 模型评测工具
2019_09_09
- 关于GAN的内容学习
- WGAN-GP
2019_11_18
- 关于AutoEncoder的内容学习
- AE
- t-SNE可视化的例子
2019_12_16
- 推荐系统
- 基于矩阵分解的推荐系统, FunkSVD
2020_04_06
因为最近在使用Colaboratory, 但是直接传图片, 进行训练会很慢. 所以在这里考虑将图片处理好打包为npy文件上传.
这里包含两个文件, 分别是生成将图片生成npy文件, 以及使用生成的进行测试.
- Npy文件生成 (如何将图片生成对应的npy文件和label的npy文件)
- Npy文件训练 (这一部分使用Colaboratory进行测试)
Reinforcement Learning
这个文件夹开始介绍强化学习的相关内容. 目前这个文件夹还在持续更新.
第一课时部分
- 00_Reinforcement_Learning_Gym介绍 (关于工具gym的详细介绍)
第三课时部分
- 01_Example_of_PolicyEvaluation (一个介绍Policy Evaluation的文件, 也就是给定策略, 对策略进行评价)
- 02_Example_of_PolicyIterative.ipynb (从给定policy, 进行迭代)
- 03_Example_of_ValueIteration.ipynb (value iteration的例子)
第四课时部分
- 04_BlackJack_Playground.ipynb (21点的环境的介绍)
- 04_Monte-Carlo_normalMean.ipynb (使用MC方法来估计value function, 这里使用普通的求平均的方式)
- 04_Monte-Carlo_IncrementalMean.ipynb (使用MC方法来估计value function, 这里使用incremental mean)
- 04_Temporal-Difference_BlackJack.ipynb (使用TD方法来估计value function)
- 04_Eligibility_traces_BlackJack.ipynb (使用了Eligibility traces来进行更新)
第五课时部分
- 环境介绍
- 05_Windy_Gridworld_Playground.ipynb (环境Windy Gridworld Playground的介绍);
- On Policy Learning介绍
- MC
- 05_GLIE_BlackJack.ipynb (使用MC方法来优化策略, 使用GLIE算法, 给出最优策略, 用在BlackJack上面);
- 05_GLIE_Windy_Gridworld.ipynb (使用MC方法, 解决Windy Gridworld上面);
- TD
- 05_Sarsa_Windy_Gridworld.ipynb (使用最基础的Sarsa算法, 在windy gridworld中寻找最优路径);
- 05_Sarsa_Lambda_Windy_Gridworld.ipynb (使用Sarsa($\lambda$)方法, 也就是使用eligibility traces);
- MC
- Off Policy Learning介绍
- MC
- 05_Importance_Sampling_Random_MC_Windy_Gridworld.ipynb (使用MC+OFF policy的方式, 但是没有收敛)
- TD
- 05_Importance_Sampling_Random_TD_Windy_Gridworld.ipynb (使用importance sampling, 并且执行的policy为随机policy, 即每个action执行的概率相同)
- 05_Importance_Sampling_TD_Q-Learning_Windy_Gridworld.ipynb (q-learning简化前的版本, 此时可以看到有行为策略, 和优化策略)
- 05_Q-Learning_Windy_Gridworld.ipynb (q-learning介绍)
- 05_Importance_Sampling_2-step-Q-Learning_Windy_Gridworld.ipynb (使用2-step, 此时要加importance sampling, 测试权重加在不同位置的效果)
- 05_Importance_Sampling_3-step-Q-Learning_Windy_Gridworld.ipynb (使用3-step, 此时要加importance sampling, 测试权重加在不同位置的效果)
- MC
第六课时部分
- 06_Deep_Q_Learning_Pytorch_CliffWalking.ipynb (根据Pytorch官方教程改变, 使用Pytorch实现Deep Q Network, 在Cliff Walking上进行实验)
第七课时部分
- 07_Cliff_Environment_Playground.ipynb (环境Cliff Walking的环境介绍)
- 07_Actor_Critic_Baseline_(A2C)_Pytorch (使用Pytorch实现Actor Critic with Baseline, 也就是A2C的模型, 在Cliff Walking上进行实验)
Other
- 强化学习解决背包问题 (一个使用强化学习来解决背包优化问题的例子)
2020_06_29
因为之前一直在看RL的内容, 所以都放在了一个文件夹. 这里单独列出一些零散的知识.
- importance sampling的介绍.
2020_08_03 (Pytorch入门基础文档)
这里为一些Pytorch的入门介绍.
- 正向传播,反向传播与非叶子节点梯度保存(hook用法介绍)
- 梯度下降法示例(一个一元线性回归的系数推导)
- 损失函数和优化器的介绍
- Pytorch实现简单线性回归
- 数据加载器 (如何重写dataset类, 将其传入dataloader, 并进行batch操作)
- 数据预处理 (包含如何写transform, 合并到dataset中, 如何对特征数据进行归一化)
- 全连接网络的手写数字识别(MNIST), 一个完整的训练流程
- 卷积神经网络的CIFAR_10的识别 (使用Pytorch实现卷积网络, 并在CIFAR_10数据集上进行测试)
- Pytorch中经典网络结构与迁移学习 (查看torchvision.models的使用方法, 并简单介绍迁移学习)
2020_09_07 (Matplotlib可视化)
- 在模型比较时, 常见的柱状图与表格绘制在一起(绘制表格与柱状图.ipynb)