ML Lab

Лаборатория для изучения и экспериментов с алгоритмами машинного обучения.

Описание

Проект содержит набор ноутбуков и скриптов, демонстрирующих реализацию и применение классических алгоритмов классификации: перцептрон, ADALINE, логистическая регрессия, Softmax-регрессия, метод опорных векторов, деревья решений, случайный лес и K-ближайших соседей.

Все примеры используют набор данных Iris. В проекте применяются Jupyter Notebook и Marimo.

Развертывание

Проект использует uv для управления зависимостями. Рекомендуемый способ установки:

uv sync

Зависимости: Python >=3.13, numpy, pandas, scikit-learn, matplotlib, jupyter, marimo.

Для запуска Jupyter ноутбуков:

uv run jupyter notebook

Для запуска Marimo ноутбуков:

uv run marimo edit src/algos/classification/marimo/knn.py

Структура проекта

.
├── pyproject.toml              # Конфигурация проекта и зависимости
├── ruff.toml                   # Настройки линтера/форматтера
├── ty.toml                     # Настройки type checker
├── flake.nix                   # Nix окружение
├── flake.lock                  # Lock-файл Nix flake
├── uv.lock                     # Lock-файл uv
├── LICENSE                     # MIT лицензия
└── src/
    ├── algos/
    │   └── classification/
    │       ├── jupyter/        # Jupyter ноутбуки по алгоритмам
    │       └── marimo/         # Marimo ноутбуки по алгоритмам
    ├── data/                   # Предобработка данных
    ├── frameworks/             # Введение в scikit-learn
    └── tools/                  # Инструменты и техники ML