ATOM00blue/machine-learning-library

¿Qué es?

Funciones clave

• 01Clasificador y regresor APRL personalizados para datos tabulares numéricos, implementados únicamente con NumPy.
• 02Estimaciones de incertidumbre que tienen en cuenta la distancia y manejo de valores faltantes en el modelo APRL.
• 03Corpus de 923 documentos Markdown que abarca artículos académicos, transcripciones de clases y artículos.
• 04Todos los archivos incluyen YAML frontmatter con la fuente, la URL, los autores y etiquetas temáticas controladas.
• 05Organizado en un mapa de 17 temas con páginas centrales y rutas de lectura, utilizable como bóveda de Obsidian.

Casos de uso

• Aprender los fundamentos de ML y la investigación de vanguardia mediante clases y artículos académicos con metadatos coherentes.
• Crear un asistente de preguntas y respuestas con generación aumentada por recuperación que cite artículos académicos o clases específicos.
• Experimentar con un clasificador o regresor tabular pequeño y fácil de inspeccionar, con estimaciones de incertidumbre.
• Usar el corpus depurado como conjunto de datos de texto para pruebas de embeddings o ajuste fino de modelos.

Inicio rápido

1. 1

   Clona el repositorio

   git clone https://github.com/ATOM00blue/machine-learning-library.git
2. 2

   Accede a la carpeta del proyecto

   cd machine-learning-library
3. 3

   Instala el paquete APRL en modo editable

   python -m pip install -e .
4. 4

   Ejecuta el ejemplo de clasificación y regresión de APRL

   python examples/aprl_quickstart.py

Antes de usarlo

• !APRL es un algoritmo personalizado experimental, no un método de vanguardia probado.
• !APRL solo admite datos tabulares numéricos.
• !La licencia no está especificada (NOASSERTION), por lo que hay que consultar las condiciones de uso en NOTICE.md.

Temas

Preguntas frecuentes

¿Qué es machine-learning-library?

Base de conocimiento de ML seleccionada y escrita en Markdown, con 923 artículos, clases y artículos académicos, además de un clasificador y regresor personalizados en NumPy llamado APRL. El repositorio combina dos capas. La primera es APRL (Adaptive Prototype Residual Learning), un clasificador y regresor experimental para datos tabulares numéricos. Combina un modelo ridge global con prototipos ponderados por relevancia y expertos polinómicos locales que corrigen los errores residuales. También ofrece estimaciones de incertidumbre que tienen en cuenta la distancia, manejo de valores faltantes y actualizaciones incrementales por lotes, y se ejecuta únicamente con NumPy. El proyecto lo presenta como una composición experimental, no como un método de vanguardia.

¿machine-learning-library es gratuito? ¿Qué licencia tiene?

machine-learning-library es open source bajo la licencia Other. Revisa los términos de la licencia antes de usarlo en productos comerciales.

¿machine-learning-library sigue mantenido?

Actualizado en los últimos 6 meses. El último commit de machine-learning-library fue el 10 ago 2026.

¿Para qué puedo usar machine-learning-library?

Aprender los fundamentos de ML y la investigación de vanguardia mediante clases y artículos académicos con metadatos coherentes. Crear un asistente de preguntas y respuestas con generación aumentada por recuperación que cite artículos académicos o clases específicos. Experimentar con un clasificador o regresor tabular pequeño y fácil de inspeccionar, con estimaciones de incertidumbre. Usar el corpus depurado como conjunto de datos de texto para pruebas de embeddings o ajuste fino de modelos.

¿Cómo se instala machine-learning-library?

Clona el repositorio: git clone https://github.com/ATOM00blue/machine-learning-library.git Accede a la carpeta del proyecto: cd machine-learning-library Instala el paquete APRL en modo editable: python -m pip install -e . Ejecuta el ejemplo de clasificación y regresión de APRL: python examples/aprl_quickstart.py

¿Dónde consigo machine-learning-library?

El código fuente y las instrucciones de instalación están en GitHub: https://github.com/ATOM00blue/machine-learning-library