一个无名小辈最近要开始在博客园留下自己学习的印迹了。
最近在从0开始了解一些机器学习模型。原来，在数学建模的时候，调用一些库，用过一些机器学习的算法，自以为会了点机器学习的内容知识，实则是，实质什么也不懂，只会用封装好的库来实现。
高手都是从0开始现推机器学习算法，numpy实现。
今天又再次浏览知乎，深刻意识到要掌握本质以及原理的重要性。
下面是我浏览看到的一些内容，仅此记录。
目前开源的机器学习框架有很多，例如sklearn,scipy,tensorflow等等。但是，对于这些机器学习框架你想调试时，就会发现这些框架都依赖了其他的库。
而numpy-ml仅依赖numpy。由于没有使用其他第三方库，很多方法都是从零开始实现，当你想通过原码验证理论时，numpy-ml是个不错的选择。
标签：机器,框架,模型,学习,算法,手写,numpy From： https://www.cnblogs.com/youse-qingfeng/p/18041084**其他机器学习框架存在的原因
虽然Numpy是一个功能强大的库，支持各种类型的数据运算，但它主要专注于数组操作和数值计算，还涉及到许多复杂的任务和算法。这就是为什么需要其他专门的机器学习框架的原因。
其中一些主要包括：
1.高级机器学习算法：Numpy只提供了有限的几种经典算法，不如完整框架包括的算法多。如果需要更高级的功能和优化，就需要专门的机器学习框架，如TensorFlow、PyTorch、和scikit-learn等。
2.自动微分和梯度计算：在训练神经网络等深度模型时，梯度计算是反向传播过程中进行参数更新的关键步骤。而Numpy没有提供自动求导功能，专门的框架提供了自动微分和梯度计算的功能。
3.高级数据处理和预处理：在机器学习任务中，数据的处理和预处理是非常重要的。专门的机器学习框架提供了丰富的工具和函数，用于数据加载、转换、特征工程和数据增强等操作。这些功能使得数据的准备和处理更加方便和灵活。
4.分布式计算和加速计算：对于大规模的数据集和复杂的模型，需要进行分布式计算和高性能的加速计算。一些机器学习框架提供了分布式计算的支持，可以在集群或GPU等加速硬件上运行模型和推理，以提高计算效率和速度。
**