<!-- WEHUB_ZH_README -->
> [!NOTE]
> 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。  
> [English](./README.en.md) · [原始项目](https://github.com/rushter/MLAlgorithms) · [上游 README](https://github.com/rushter/MLAlgorithms/blob/HEAD/README.md)  
> 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

# 机器学习算法
一组简洁、清晰的机器学习算法实现。

### 为什么？
本项目面向希望学习机器学习（ML）算法内部原理或从零实现这些算法的人。  
相比优化过的库，这里的代码更易读懂，也更便于动手试验。  
所有算法均使用 Python 实现，依赖 numpy、scipy 和 autograd。  

### 已实现：
* [深度学习（MLP、CNN、RNN、LSTM）](mla/neuralnet)
* [线性回归、逻辑回归](mla/linear_models.py)
* [随机森林（Random Forests）](mla/ensemble/random_forest.py)
* [支持向量机（SVM）及核函数（Linear、Poly、RBF）](mla/svm)
* [K-Means](mla/kmeans.py)
* [高斯混合模型（Gaussian Mixture Model）](mla/gaussian_mixture.py)
* [K 近邻（K-nearest neighbors）](mla/knn.py)
* [朴素贝叶斯（Naive Bayes）](mla/naive_bayes.py)
* [主成分分析（PCA）](mla/pca.py)
* [因子分解机（Factorization machines）](mla/fm.py)
* [受限玻尔兹曼机（RBM）](mla/rbm.py)
* [t 分布随机邻域嵌入（t-SNE）](mla/tsne.py)
* [梯度提升树（亦称 GBDT、GBRT、GBM、XGBoost）](mla/ensemble/gbm.py)
* [强化学习（Deep Q learning）](mla/rl)


### 安装
```sh
        git clone https://github.com/rushter/MLAlgorithms
        cd MLAlgorithms
        pip install scipy numpy
        python setup.py develop
```
### 如何在不安装的情况下运行示例
```sh
        cd MLAlgorithms
        python -m examples.linear_models
```
### 如何在 Docker 中运行示例
```sh
        cd MLAlgorithms
        docker build -t mlalgorithms .
        docker run --rm -it mlalgorithms bash
        python -m examples.linear_models
```
### 贡献

欢迎贡献！  
欢迎改进现有代码与文档，或实现新算法。  
若改动较大，请先开 issue 说明你的方案。