<mark id="oztn4"></mark>
0
| 本文作者： AI研習(xí)社-譯站 | 2020-12-26 09:16 |
譯者：AI研習(xí)社（成語風(fēng)）
雙語原文鏈接：A Full-Length Machine Learning Course in Python for Free
吳恩達(dá)在斯坦福大學(xué)講授的機(jī)器學(xué)習(xí)課程堪稱Coursera上最具人氣的課程。我之前試聽了好幾門別的機(jī)器學(xué)習(xí)課程但我覺得他的在拆解概念使之變得易于理解方面做得最好。
但是我想說這里有一個問題，那就是這門課程的所有作業(yè)和演示都是用Matlab做的。我是一個Python使用者而且我不想學(xué)Matlab.因此我只在課上學(xué)習(xí)概念然后自己用Python實(shí)現(xiàn)這些算法。
我用自己的方式解釋所有的算法（以我能做到的最簡潔的水平）然后演示之前幾篇文章的幾乎所有算法開發(fā)過程。我覺得我可以把它們?nèi)靠偨Y(jié)到一頁紙的篇幅，這樣可以讓學(xué)的人更容易跟上一點(diǎn)。有時這點(diǎn)點(diǎn)幫助會起很大的作用。
如果你想要聽吳恩達(dá)的機(jī)器學(xué)習(xí)課程，你是可以免費(fèi)旁聽完整課程想多少次就多少次的。
我們開始吧!
最簡單的機(jī)器學(xué)習(xí)算法。此算法是基于一個高中講的很基本的直線公式：
Y = AX + B
沒忘吧？忘了也無所謂。這是一個很簡單的公式。這是解釋為什么這個簡單公式可以被用來做預(yù)測的完整文章。
上面這篇文章只在單個變量的數(shù)據(jù)集上有用。但是在現(xiàn)實(shí)生活中絕大多數(shù)數(shù)據(jù)集有多個變量。使用同一個簡單公式你可以開發(fā)出多變量的算法。
這個是線性回歸的姊妹。但是多項(xiàng)式回歸能夠更精準(zhǔn)地找出輸入變量和輸出變量之間的關(guān)系，甚至是在這個關(guān)系不是線性的時候、
對數(shù)回歸是在線性回歸基礎(chǔ)上開發(fā)的。他也用到了同一個簡單的直線方程。這就是一個廣泛使用的、強(qiáng)大的、流行的機(jī)器學(xué)習(xí)算法了。這可以用來預(yù)測分類變量。以下文章逐步解釋了對數(shù)回歸用于二分類問題的開發(fā)過程。
完整手?jǐn)]python對數(shù)回歸算法：逐步版
基于二分類的概念，我們就可以開發(fā)出用于多分類任務(wù)的對數(shù)回歸。同時，Python有一些優(yōu)化函數(shù)可以讓你快速完成計(jì)算。在下文中我從這兩個思路出發(fā)完成了一個數(shù)字識別數(shù)據(jù)集的多分類任務(wù)。
手?jǐn)]python多分類算法項(xiàng)目實(shí)戰(zhàn)：逐步版
神經(jīng)網(wǎng)絡(luò)如今變得越來越流行。你都讀到這篇文章了，我猜你肯定聽說過它。
一個神經(jīng)網(wǎng)絡(luò)在更復(fù)雜的數(shù)據(jù)集上解決的快得多。這也涉及了同一個直線方程但是這個算法的開發(fā)要比前幾個要復(fù)雜的多。如果你聽了吳恩達(dá)的課，你應(yīng)該已經(jīng)了解了這些概念。不然，我會盡量細(xì)地拆解這個概念。希望能幫到你：
完整手撕python神經(jīng)網(wǎng)絡(luò)算法
如果你把全部的時間了開發(fā)算法上但是它卻不按你設(shè)想的那樣去解決問題怎么辦。你該怎么修好它？首先你需要找到問題出在哪里。是算法有錯，還是數(shù)據(jù)不足以訓(xùn)練模型還是你需要更多特征？看起來問題好多哦是不是？但如果你不首先解決問題在哪，然后朝著正確的方向前進(jìn)，你將會浪費(fèi)無數(shù)時間。以下是如何找出問題的幫助：
另一方面如果數(shù)據(jù)集偏斜太厲害，那又是另一個挑戰(zhàn)。比如你試圖解決一個分類問題，95%是陽性結(jié)果只有5%是陰性結(jié)果。這么一搞你就算是瞎猜所有的預(yù)測是陽性你也有95%的準(zhǔn)確率。另一方面，如果這個ML算法看起來有90%準(zhǔn)確率那可真是夠低效的吧？連瞎猜都比它準(zhǔn)。下文就是幾個處理這種問題的點(diǎn)子：
最老牌的流行無監(jiān)督學(xué)習(xí)算法。這個算法不想前面幾個一樣做出預(yù)測。他只是基于數(shù)據(jù)內(nèi)部的相似性進(jìn)行歸類。這更像是試圖更有效地理解當(dāng)前的數(shù)據(jù)。然后當(dāng)算法收到新數(shù)據(jù)的時候，基于它的特性，它會決定這個新數(shù)據(jù)被歸類到哪一個簇。本算法還有別的重要應(yīng)用。他可以用來給圖片降維。
為啥我們要給圖片降維？
你想啊，當(dāng)我們需要輸入大量圖片進(jìn)入算法來訓(xùn)練一個圖片分類模型的時候。超高分辨率的圖片會輸入沉重的負(fù)擔(dān)并且拖慢整個訓(xùn)練過程（認(rèn)出這是什么圖哪需要這么高分辨率！）。這種情況下一個維度更低的圖片就可以讓我們更快處理完。這只是舉一個例子。你或許可以想見很多同樣原因的別的用途。
下文是一個開發(fā)K均值聚類算法的完整教程，以及如何使用這個算法來給圖片降維。
這又是一個機(jī)器學(xué)習(xí)核心任務(wù)。用于信用卡欺詐檢測，制造缺陷品檢測，甚至是癌細(xì)胞檢測。用高斯分布（正態(tài)分布）辦法或者簡單到一個概率公式就可以搞定。下文是一個完整的逐步指導(dǎo)文章：用高斯分布的概念來開發(fā)異常檢測算法。
如果你需要小小復(fù)習(xí)一下高斯分布法，看這篇文：
推薦系統(tǒng)無處不在。如果你在1688買了什么東西，它就會給你推薦一些你可能會喜歡的別的產(chǎn)品。B站也會給你推薦你可能會喜歡的視頻，QQ會給你推薦你可能認(rèn)識的人。你看是不是到處都有。
吳恩達(dá)的課程教你如何用那在線性回歸里面用的同一個直線方程開發(fā)一個推薦系統(tǒng)。這就是逐步演示怎么開發(fā)一個電影推薦系統(tǒng)的算法：
希望這些文章能幫到一些人機(jī)器學(xué)習(xí)起步，最好的學(xué)習(xí)辦法是跟著做，絕大多數(shù)算法都是基于一個非常簡單的公式。我看到有人講機(jī)器學(xué)習(xí)或者人工智能需要很重度的編程知識或者困難的數(shù)學(xué)，這倒未必。用簡單的代碼，基礎(chǔ)數(shù)學(xué)和統(tǒng)計(jì)學(xué)知識你就可以做到很多事了。同時不停地提高你的編程水平從而勝任更復(fù)雜的任務(wù)。
如果你對機(jī)器學(xué)習(xí)感興趣就花一點(diǎn)時間，在這上面花點(diǎn)功夫。
AI研習(xí)社是AI學(xué)術(shù)青年和AI開發(fā)者技術(shù)交流的在線社區(qū)。我們與高校、學(xué)術(shù)機(jī)構(gòu)和產(chǎn)業(yè)界合作，通過提供學(xué)習(xí)、實(shí)戰(zhàn)和求職服務(wù)，為AI學(xué)術(shù)青年和開發(fā)者的交流互助和職業(yè)發(fā)展打造一站式平臺，致力成為中國最大的科技創(chuàng)新人才聚集地。
如果，你也是位熱愛分享的AI愛好者。歡迎與譯站一起，學(xué)習(xí)新知，分享成長。
