الوصف
ML-From-Scratch هو مستودع شامل على GitHub مخصص لتوفير تنفيذات أساسية باستخدام NumPy لنماذج وخوارزميات التعلم الآلي. الهدف الرئيسي للمشروع هو إزالة الغموض عن مفاهيم التعلم الآلي المعقدة من خلال تقديمها في تنسيق كود بسيط وسهل الفهم، مما يجعله موردًا لا يقدر بثمن للمبتدئين والممارسين ذوي الخبرة.
قراءة المزيد
يغطي المستودع طيفًا واسعًا من مواضيع التعلم الآلي، بدءًا من الخوارزميات الأساسية مثل الانحدار الخطي ويمتد إلى مجالات أكثر تقدمًا مثل التعلم العميق. تم تصميم كل تنفيذ لتسليط الضوء على الآليات الأساسية للخوارزمية، مما يسمح للمستخدمين بفهم المبادئ الرياضية والحسابية دون أن تعيقها المكتبات أو الأطر عالية المستوى. تعزز هذه الطريقة فهمًا أعمق لكيفية عمل هذه النماذج داخليًا.
من خلال التركيز على NumPy، يضمن ML-From-Scratch أن يكون الكود خفيف الوزن وشفافًا، مما يمكّن المستخدمين من تتبع كل خطوة من خطوات الحساب. وهذا يجعله أداة تعليمية ممتازة لأولئك الذين يتطلعون لبناء أساس قوي في التعلم الآلي من المبادئ الأساسية. يشجع المشروع التعلم العملي، داعيًا المستخدمين لاستكشاف وتعديل وتجربة التنفيذات.
بينما يركز المستودع على الفهم الأساسي، فإنه يعمل أيضًا كمرجع عملي لتجريب أو فهم خوارزميات معينة بسرعة. تجعل الهيكلية الواضحة والتنفيذات المفصلة من السهل دمجها في المشاريع الشخصية أو المناهج التعليمية. يظهر التزام المشروع بإمكانية الوصول في تصميمه، مما يجعل مفاهيم التعلم الآلي قريبة من جمهور أوسع.
- الفئةتعلّم الآلة وعلم البيانات
- نموذج التسعيرمفتوح المصدر
- النشراستضافة ذاتية
- المنصاتالويب
الميزات الأساسية لـ ML-From-Scratch
تنفيذات أساسية باستخدام NumPy لنماذج التعلم الآلي
تغطية خوارزميات الانحدار الخطي إلى التعلم العميق
تركيز على إمكانية الوصول والفهم
مصدر تعليمي لمفاهيم التعلم الآلي
يوفر كودًا أساسيًا لمختلف الخوارزميات
تنفيذات شفافة وخفيفة الوزن
مناسب للتعلم والتجريب
مفتوح المصدر وتطوير مدفوع من المجتمع
كود لشبكات الخصومة التوليدية (GANs)
يتضمن تنفيذ طبقة Dropout
يدير تبعيات المشروع باستخدام requirements.txt
تحكم في الإصدارات عبر التزامات Git
معلومات ترخيص واضحة
تنقل ملفات المستودع
البدء مع ML-From-Scratch
استنساخ المستودع: استخدم `git clone https://github.com/eriklindernoren/ML-From-Scratch.git` للحصول على الكود.
تثبيت التبعيات: انتقل إلى الدليل المستنسخ وثبت الحزم المطلوبة باستخدام `pip install -r requirements.txt`.
استكشاف النماذج: تصفح ملفات المستودع للعثور على تنفيذات نماذج التعلم الآلي المحددة.
تشغيل الأمثلة: نفذ سكربتات Python للنماذج الفردية لرؤيتها في العمل.
تعديل وتجربة: قم بتكييف الكود لاختبار معلمات أو مجموعات بيانات مختلفة لفهم أعمق.
حالات استخدام ML-From-Scratch
- تعلم أساسيات التعلم الآلي
- مصدر تعليمي
- نموذج أولي للخوارزمية
- مرجع الكود
- استكشاف التعلم العميق
- ممارسة NumPy





