机器学习入门 - Google机器学习速成课程 - 笔记汇总

机器学习入门 - Google机器学习速成课程 - 笔记汇总

机器学习入门 - Google机器学习速成课程

  • https://www.cnblogs.com/anliven/p/6107783.html
  • MLCC简介
  • 前提条件和准备工作
  • 完成课程的下一步

机器学习入门01 - 框架处理(Framing)

  • https://www.cnblogs.com/anliven/p/10252938.html
  • 机器学习基本术语。
  • 了解机器学习的各种用途。

机器学习入门02 - 深入了解机器学习 (Descending into ML)

  • https://www.cnblogs.com/anliven/p/10253210.html
  • 直线拟合知识。
  • 将机器学习中的权重和偏差与直线拟合中的斜率和偏移关联起来。
  • 大致了解“损失”,详细了解平方损失。

机器学习入门03 - 降低损失 (Reducing Loss)

  • https://www.cnblogs.com/anliven/p/10258292.html
  • 了解如何使用迭代方法来训练模型。
  • 全面了解梯度下降法和一些变体,包括:小批量梯度下降法、随机梯度下降法、尝试不同的学习速率。

机器学习入门04 - 使用TensorFlow的起始步骤 (First Steps with TensorFlow)

  • https://www.cnblogs.com/anliven/p/10264318.html
  • 了解如何在 TensorFlow 中创建和修改张量。
  • 了解 Pandas 的基础知识。
  • 使用 TensorFlow 的一种高级 API 开发线性回归代码。
  • 尝试不同的学习速率。

机器学习入门05 - 泛化 (Generalization)

  • https://www.cnblogs.com/anliven/p/10264475.html
  • 直观理解过拟合。
  • 确定某个模型是否出色。
  • 将数据集划分为训练集和测试集。

机器学习入门06 - 训练集和测试集 (Training and Test Sets)

  • https://www.cnblogs.com/anliven/p/10280028.html
  • 了解将数据集分成训练集和测试集的优势。

机器学习入门07 - 验证 (Validation)

  • https://www.cnblogs.com/anliven/p/10280117.html
  • 使用验证集评估训练集的效果。

机器学习入门08 - 表示法 (Representation)

  • https://www.cnblogs.com/anliven/p/10280203.html
  • 将日志和 Protocol Buffer 中的字段映射到实用的机器学习特征。
  • 判断哪些特性可用作合适的特征。
  • 处理离群值特征。
  • 调查数据集的统计属性。
  • 使用 tf.estimator 训练并评估模型。

机器学习入门09 - 特征组合 (Feature Crosses)

  • https://www.cnblogs.com/anliven/p/10288612.html
  • 了解特征组合。
  • 在 TensorFlow 中实施特征组合。

机器学习入门10 - 正则化:简单性 (Regularization for Simplicity)

  • https://www.cnblogs.com/anliven/p/10301588.html
  • 了解复杂度与泛化之间的权衡。
  • 使用 L2 正则化进行实验。

机器学习入门11 - 逻辑回归 (Logistic Regression)

  • https://www.cnblogs.com/anliven/p/10328363.html
  • 了解逻辑回归。
  • 了解逻辑回归的损失和正则化函数。

机器学习入门12 - 分类 (Classification)

  • https://www.cnblogs.com/anliven/p/10336463.html
  • 评估逻辑回归模型的准确率和精确率。
  • 了解 ROC 曲线和曲线下面积。

机器学习入门13 - 正则化:稀疏性 (Regularization for Sparsity)

  • https://www.cnblogs.com/anliven/p/10344515.html
  • 了解如何使信息缺乏的系数值正好为 0,以便节省 RAM。
  • 了解 L2 正则化之外的其他类型的正则化。

机器学习入门14 - 神经网络简介 (Introduction to Neural Networks)

  • https://www.cnblogs.com/anliven/p/10344698.html
  • 对神经网络有一定的了解,尤其是了解:隐藏层、激活函数。

机器学习入门15 - 训练神经网络 (Training Neural Networks)

  • https://www.cnblogs.com/anliven/p/10347254.html
  • 在一定程度上了解反向传播算法。

机器学习入门16 - 多类别神经网络 (Multi-Class Neural Networks)

  • https://www.cnblogs.com/anliven/p/10347273.html
  • 理解多类别分类问题,尤其是 Softmax。
  • 在 TensorFlow 中制定 Softmax 解决方案。

机器学习入门17 - 嵌套 (Embedding)

  • https://www.cnblogs.com/anliven/p/10347306.html
  • 嵌套的定义和用途。
  • 嵌套如何编码语义关系。
  • 如何使用嵌套。
  • 如何训练有意义的嵌套(例如使用 word2vec)。

机器学习入门18 - 生产机器学习系统(Production ML Systems)

  • https://www.cnblogs.com/anliven/p/10349462.html
  • 了解生产环境机器学习系统中组件的跨度范围。
  • 识别静态训练与动态训练的优缺点。
  • 了解静态推理和动态推理的优缺点。
  • 评估现实世界情形的训练和应用需求。
  • 了解生产机器学习系统中的数据依赖关系。

转载于:https://www.cnblogs.com/anliven/p/10352770.html

你可能感兴趣的:(数据结构与算法,python,人工智能)