什么是机器学习?有什么用?
- 机器学习是什么?
- 以前已知方程和x,求y.机器学习是已知x和y,
求方程
.
- 以前已知方程和x,求y.机器学习是已知x和y,
- 有什么用?
- 机器学习可以用来解决回归预测,分类,聚类等问题.
- 如何学习机器学习
- https://www.zhihu.com/question/51039416/ 普通程序员如何正确学习人工智能方向的知识?
- CS229入门,可以辅助看看《Python机器学习》
- 进阶阶段可以在kaggle练习.可以辅助看看周志华的《机器学习》
- 搞搞深度学习.
- 深入研究,订阅arvix,关注顶会,开始紧跟业界吧!
- 机器学习操作套路
- 首先当然是把问题转化成数学语言了.比如用线性回归公式来表示问题.(这里涉及到各种模型)
- 然后得到一个可以优化的公式, .
- 然后不断优化(拟合),这里涉及到很多优化方法.
- gradient descent.局部最优.
- Least Mean Square 最小均方算法
- Newton’s Method.全局最优.
- Exponential family.
- Generalized Linear Model.
- gradient descent.局部最优.
- 当然过拟合也不好,所以我们引入一些防止泛化的方法.
- 正则化.
概念树/mindmap/目录
- 机器学习算法大致可以分为三种
- 监督学习.输入数据若带有
标签
,那就是监督学习.
- 回归算法.
- 分类算法.
- 非监督学习.
- 聚类
- 降维
- 增强学习.通过不断试错来实现最佳策略.
- 增强学习.通过不断试错,修正模型.适合各种游戏开挂;
试错学习
,没有直接的指导,需要通过不断试错来获得最佳策略.延迟回报
,所有的回报只有最后游戏结束才知道,所以最后的回报需要不断回溯到前面的状态.
- 监督学习.输入数据若带有
- 两类机器学习算法
- Generative learning algorithms.
- Gaussian discriminant analysis.
- Naive Bayes.
- HMM.
- Discriminative learning algorithms.
- SVM.
- Logistic Regression.
- 个人总结
- https://stackoverflow.com/a/879591 说到了根本, generative==joint probability & discriminative==
- 判别式就是画一条线,线能够绝对区分类别;生成式就是通过已知数据生成一个模型(或者一个范围/一个圈),后续判断落在这个圈的就是这个类别.
- 机器学习“判定模型”和“生成模型‘有什么区别? https://www.zhihu.com/question/20446337
- Generative learning algorithms.
权威资料
- 教材
- 机器学习 周志华
- 建议把西瓜书作为参考书而不是主力阅读书。
- 西瓜书因为篇幅的限制,涵盖了很多的内容但无法详细的展看来讲,对于初学者自学来说实际阅读很大。
- 这本书更适合作为学校的教材或者中阶读者自学使用,入门时学习这本书籍难度稍微偏高了一些。
- Machine Learning Foundation 機器學習基石上
- Machine Learning Techniques 機器學習技法
- 机器学习 周志华
- 本科课程
- http://cs229.stanford.edu/
- http://www.cs.cmu.edu/~tom/10701_sp11/lectures.shtml
- http://www.cs.cmu.edu/~ninamf/courses/601sp15/lectures.shtml 这两个 CMU 的课程不知道有什么区别.
- http://www.cs.cmu.edu/~aarti/Class/10701_Spring14/
- Max Planck 智能系统研究所的 ML 课.
- https://work.caltech.edu/telecourse Yaser 是林轩田的老师.
- metacademy 机器学习和相关数学非常棒的学习资料.
- 博士级别课程
- CMU 10-702(Statistical Machine Learning)
- CMU 10-715(Advanced Introduction to Machine Learning)
- MIT 6.S099: Artificial General Intelligence by Lex Fridman
- https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-867-machine-learning-fall-2006/syllabus/