AI基础:机器学习简易入门

0.导语

Machine Learning(机器学习)是研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,它主要使用归纳、综合而不是演译。

这一集介绍机器学习的简易入门,本集分为学习资料经典算法两部分。(黄海广)

目前已经发布:

AI 基础:简易数学入门

AI 基础:Python开发环境设置和小技巧

AI 基础:Python 简易入门

AI 基础:Numpy 简易入门

AI 基础:Pandas 简易入门

AI 基础:Scipy(科学计算库) 简易入门

AI基础:数据可视化简易入门(matplotlib和seaborn)

AI基础:机器学习库Scikit-learn的使用

AI基础:特征工程-类别特征

AI基础:特征工程-数字特征处理

AI基础:特征工程-文本特征处理

AI基础:词嵌入基础和Word2Vec

AI基础:图解Transformer

AI基础:一文看懂BERT

后续持续更新,最新内容可以在github查看:

https://github.com/fengdu78/machine_learning_beginner/tree/master/AI_beginner

1.资料篇

机器学习入门,推荐4份教程,着重推荐1、2部分。

  • 一、斯坦福大学2014(吴恩达)机器学习教程中文笔记及资源

    吴恩达老师的机器学习课程,可以说是机器学习入门的第一课和最热门课程(查看文章

  • 二、李航《统计学习方法》的代码实现

    李航老师的《统计学习方法》可以说是机器学习的入门宝典,许多机器学习培训班、互联网企业的面试、笔试题目,很多都参考这本书。(查看文章

  • 三、周志华老师的《机器学习》的解答--南瓜书PumpkinBook

    周志华老师的《机器学习》(西瓜书)是机器学习领域的经典入门教材之一,周老师为了使尽可能多的读者通过西瓜书对机器学习有所了解, 所以在书中对部分公式的推导细节没有详述,本文对公式进行了推导。(查看文章

  • 四、李宏毅机器学习

    李宏毅老师的机器学习视频是机器学习领域经典的中文视频之一,也被称为中文世界中最好的机器学习视频。对于想入门机器学习又想看中文讲解的人来说绝对是非常推荐的(查看文章

  • 五、台大林轩田《机器学习基石》系列课程教材的习题解答

    台湾大学林轩田老师的《机器学习基石》、《机器学习技法》课程由浅入深、内容全面,基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。(查看文章

2.必须掌握的经典算法

机器学习的经典算法主要是吴恩达老师的机器学习课程的精选部分,并增加了决策树部分,以下算法是经典,必须掌握。

(点击目录在线阅读)

第一部分:回归

第二部分:逻辑回归

第三部分:支持向量机

第四部分:无监督学习

第五部分:异常检测和推荐系统

第六部分:决策树

结语

AI基础系列的完整最新内容可以在github查看:

https://github.com/fengdu78/machine_learning_beginner/tree/master/AI_beginner

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Machine Learning: Step-by-Step Guide To Implement Machine Learning Algorithms with Python By 作者: Rudolph Russell ISBN-10 书号: 1719528403 ISBN-13 书号: 9781719528405 出版日期: 2018-05-22 pages 页数: 106 This book contains illustrations and step-by-step explanations with bullet points and exercises for easy and enjoyable learning. Benefits of reading this book that you’re not going to find anywhere else: Introduction to Machine Learning Classification How to train a Model Different Models Combinations CHAPTER1 INTRODUCTION TO MACHINE LEARNING Theory What is machine learning? Why machine learning? When should you use machine learning? Types of Systems of Machine Learning Supervised and unsupervised learning Reinforcement Learning Batch Learning Online Learning Instance based learning Model-based learning Bad and Insufficient Quantity of Training Data Poor-Quality Data Irrelevant Features Testing Overfitting the Data Underfitting the Data EXERCISES SUMMARY REFERENCES CHAPTER2 CLASSIFICATION Installation The MNIST Measures of Performance Confusion Matrix Recall Recall Tradeoff ROC Multi-class Classification Training a Random Forest Classifier Error Analysis Multi-label Classifications Multi-output Classification EXERCISES REFERENCES CHAPTER3 HOW TO TRAIN A MODEL Linear Regression Computational Complexity Gradient Descent Batch Gradient Descent Stochastic Gradient Descent Mini-Batch Gradient Descent Polynomial Regression Learning Curves Regularized Linear Models EXERCISES SUMMARY REFERENCES Chapter4 Different models combinations
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值