《写给人类的机器学习》笔记介绍了机器学习的基础概念和算法，涵盖监督学习的回归与分类，如线性回归、对数几率回归和SVM，非参数学习中的KNN和决策树，以及随机森林。此外，还概述了无监督学习的聚类和降维方法，如K均值和PCA。文章强调了理解不同算法在实际问题中的应用和局限性，如防止过拟合和选择合适的超参数。
首先这是本介绍性的书，虽然有几个公式，但并没有深入地讲解各种算法，只是让读者对各个算法有个大概的认识，知道其大概的原理。
如果觉得看一些大部头的书有些晦涩难懂，不妨可以先翻翻这本书，让你对机器学习有个大概的浅显认识。
笔记《写给人类的机器学习》
Machine Learning for Humans
目录
第1章：为什么机器学习重要
第2章：监督学习
…………回归
……………………线性回归
…………分类
……………………对率回归
……………………支持向量机
…………非参数学习机
……………………K最近邻（KNN）
……………………决策树
……………………随机森林
第3章：无监督学习
…………聚类
……………………K均值聚类
……………………层次聚类
…………降维
……………………主成分分析（PCA）
……………………奇异值分解（SVD）
第4章：神经网络和深度学习
第5章：强化学习
…………Q学习：学习动作-分值函数
…………策略学习：状态到动作的映射
…………DQN，A3C，和深度 RL 中的进展
第6章：最好的机器学习资源
第1章：为什么机器学习重要
-
人工智能
- 人工智能是智能体的研究，它可以感知周围世界，制定计划，并做出决策以实现其目标。其基础包括数学，逻辑，哲学，概率，语言学，神经科学和决策理论。许多领域都属于在 AI 下面，如计算机视觉，机器人，机器学习和自然语言处理。 机器学习
- 机器学习是人工智能的一个子领域。它的目标是让电脑自己学习。机器的学习算法使其能够识别观测数据中的规律，构建解释世界的模型，并且在没有明确的预编程规则和模型的情况下预测事物。
第2章：监督学习
2.1：回归
在监督学习的问题中，我们以一个数据集开始，它包含训练样本，每个样本带有关联的正确标签。例如，学习分类手写数字的时候，监督学习算法接受数千张手写体数字的图片，以及标签，它们包含每个图片表示的正确数字。算法会学习图像和关联的数值的关系。之后将学到的关系用于划分全新的图片（不带标签），机器从来没有见过它们。
- 为展示监督学习的工作原理，我们看一个问题：根据某人完成的高等教育年数，来预测年收入。即要构建一个模型，它近似描述高等教育年数 x 和对应年收入 y 的关系 f
y = f(x)+ϵ
x：（输入）为高等教育的年数。
y：（输出）为年收入。
f：为描述 x 和 y 关系的函数。
ϵ：（epsilon）为随机误差项（可正可负），均值为零。表示模型的残余误差，它是你算法的理论极限，由于你尝试解释的现象中存在固有噪声。
监督学习的目标是，当获得 x 已知 y 未知的新样本时，尽可能准确地预测 y
监督学习的两个任务：回归和分类
回归：预测连续值
回归预测连续的目标变量 y，连续的意思是，在 y 可以取的值中，不存在间隔（不连续）- y = f(x) + ϵ ，其中 x = (x1, x2 … xn)
训练：机器从带标签的训练数据习得 f
测试：机器从不带标签的测试数据预测 y
数据分为训练集和测试集。
训练集拥有标签，你的模型可从这些带标签的样本中学习。
测试集不带标签，你还不知道尝试预测的值。模型可推广到从未见过的情况，以便它在测试数据上表现良好。
线性回归（普通最小二乘）
首先，我们专注于使用线性回归解决收入预测问题。 我们拥有数据集 x ，及对应的目标值 y 。**普通最小二乘（OLS）**的目标是，习得一个线性模型，如果有一个未见过的 x ，可用它来预测对应的 y ，并误差尽可能小。即基于某个人的教育年数，猜测它的收入。 线性回归是个参数化方法，即它需作出 x 和 y 的函数形式的假设。我们的模型是个函数，使用特定的 x 预测 ŷ ：我们的目标是，习得模型参数（这里是 β 0、β 1），使模型预测中的误差最小。 以图形的方式，在二维中，它会产生一条最佳拟合直线。在三维中可以画一个平面，高维中就是超平面。我们假设 x 和 y 是线性关系。即对于每个 x 中的单位增长， y 的增长（或下降）不变。
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
