日常 | 2022-04-02 | 我想简单了解机器学习

老板每天都转发机器学习公众号推文,只学会如何整理数据和将数据导入包是不行的,这不是一朝一夕能够学会的。

原图链接:https://scikit-learn.org/stable/tutorial/machine_learning_map/

FLAG:学习机器学习可以提高以后的竞争力,但这不是我平时的主要注意力所在,主要在休息日慢慢学习,慢慢更新本文章。

1. 如何学习?

南大周志华的《机器学习》这本书怎么样? - 知乎
https://www.zhihu.com/question/39945249/answer/2056715754

如何系统学习机器学习? - 知乎
https://www.zhihu.com/question/266291909(吴恩达也作了回答)

需要学的数学知识:微积分、线性代数、概率论与数理统计......

1.1 所需数理知识与资源

1.2 简要介绍

  • 常见分类
    监督学习、无监督学习、半监督学习、强化学习

  • 所解决问题
    回归、分类、聚类、降维......

  • 框架(后面三个为深度学习框架)
    scikit-learnTensorFlowkerasPyTorch

  • 开发机器学习应用程序的步骤
    收集数据
    准备输入数据
    分析输入数据
    训练算法
    测试算法
    使用算法

看来,学习机器学习,必然要有一定的数学基础,那数学的分支有哪些呢?
知乎 | 第1期 大学数学专业概述及其分类

2. 微积分

知乎 | 30分钟通俗讲解微积分的整个框架
bilibili | 3Blue1Brown | 微积分的本质
书 | 《普林斯顿微积分读本》

3. 线性代数

bilibili | 3Blue1Brown | 线性代数的本质
bilibili | 工程师和小土豆 | 数据科学 | 线性代数
书 | 《线性代数的几何意义》西安电子科技大学出版社

4. 概率论与数理统计

知乎 | 如何来系统地学习统计学?
知乎 | 请问可不可以通俗的解释一下贝叶斯公式?
bilibili | 工程师和小土豆 | 数据科学 | 统计入门
书 | 《概率论与数理统计》陈希孺

5. scikit-learn & 算法

2.1 线性回归

iris数据集
### 2.2 逻辑回归
### 2.3 k最近邻
### 2.4 支持向量机
### 2.5 朴素贝叶斯
### 2.6 决策树
### 2.7 随机森林
- 深度神经网络
- 卷积神经网络
- 循环神经网络
# 函数
- 一次函数、二次函数、多次函数、激活函数、Sigmoid 函数和对数函数。
Sigmoid 函数中的 e 叫自然常数,是一个无理数,约等于2.72。
对数函数是指数函数的逆运算。从几何意义上说,对数是将数轴进行强力的缩放。

- 函数的变化趋势是通过求导和微分来实现的。连续性是函数的性质之一,是求导的前提条件。
导数是针对一个变量而言的函数变化趋向。而对于多远(即多变量)的函数,它关于其中一个变量的导数为偏导数,此时保持其他变量恒定。如果其中所有变量都允许变化,则称为全导数。

- 凹凸性也是函数的性质之一。
函数还有很多其他性质,奇偶性、单调性,周期性等。
凸函数、非凸函数。机器学习的梯度下降过程中,只有凸函数能够确保下降到全局最低点。

# 梯度下降
对多元函数的各参数求偏导数,然后把所求得的各个参数的偏导数以向量的形式写出来,就是梯度。
机器学习的本质是找到最优的函数
可以建立误差和模型参数之间的函数(最好是凸函数)
梯度下降能够引导我们走向凸函数的全局最低点,找到误差最小时的参数。

# 机器学习数据结构,张量
矩阵(二维数组、2D 张量)
轴,阶,Numpy中数组的轶

X = np.array(5) # 标量
X = np.array([5, 6, 7, 8, 9]) # 向量
X.ndim # 向量的阶
X.shape # 向量的形状


# 概率与统计
- 概率
条件概率、后验概率
似然、似然函数
- 正态分布
- 方差标准差
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,904评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,581评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,527评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,463评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,546评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,572评论 1 293
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,582评论 3 414
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,330评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,776评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,087评论 2 330
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,257评论 1 344
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,923评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,571评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,192评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,436评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,145评论 2 366
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,127评论 2 352