admin管理员组

文章数量:1529448

一。学习内容
1.线性代数： 矩阵/张量乘法，求逆，奇异值分解/特征值分解，行列式，范数等。
2.统计与概率： 概率分布，独立性与贝叶斯，最大似然（MLE）和最大后验估计（MAP）等
3.优化：线性优化，非线性优化（凸优化和非凸优化），以其衍生的求解方式如梯度下降，牛顿法，基因算法和退火等。
4.微积分：偏微分，链式法则，矩阵求导等
5.信息化： 数值理论等。
二。深度学习
现在的人第一课就是研究深度学习
缺点。
1.深度学习的黑箱性更加明显，很容易囫囵吞枣。得不偿失。
2.深度学习的理论/模型架构/技巧还在一直变化中当中尘埃落定。
3.深度学习实验对于硬件要求过高，自学明显不达标
4.不要过多的搜集资料，有些人已搜集就是几T的资料视频。
建议：机器算法入门的发展和变化速度很快，在入门期间，建议小而精的选择资料，选择一下近期良好的口碑，选择近5年来的书籍，不要选择较为久远的书籍。
三。机器学习的前期准备
1.硬件
针对大家常问的问题，自己的电脑能不能自学机器学习，答案是肯定了，大部分市面上的数据都可以放在你的内存中，在入门阶段很少会用到一些大的数据集，一般最大的也就是MNIST(MNIST数据库是由Yann提供的手写数据库文件，其官方下载地址为http://yann.lecun/exdb/mnist/，这个里面还包括了对这个数据库进行识别的各类算法的结果比较以及相关算法的论文，数据库的图像都是28*28大小的灰度图像，每一个图像是一个八位字节，需要先研究一下)
总而言之完全可以使用个人笔记本电脑上运行，在window笔记本上也可以运行CPU进行深度学习。
2.软件
如果要做深度学习，最后的操作系统是Linux,因为其对许多学习模型支持比较好（主要是深度学习的Library）。即使你使用Windows系统，也可以使用虚拟机装Ubuntu来进行学习。小型的深度学习模型就足够了，大型的深度学习模型我们很少在本地/个人电脑上运行。
至于编程语言，首推Python,因为其良好的拓展支持性，主流的工具都有python版本，在特定的情况下，首推R作为编程语言也是可以了，其他可能的语言还包括c++,java和Matlab,但我个人不大推荐。
此处，我也想额外提一句，因为编程属于机器学习的基本要求，所以推荐大家自学一些基础编程的知识。
英语学点，因为发布的论文大部分都是英文，可以研究一下，当然也没必要都会，因为有这个英语翻译。
机器学习萌新必须要学习的十大算法
在机器学习领域，不存在一种万能的算法解决所有的问题，尤其是像预测建模的监督学习中。

本文标签： 算法机器

版权声明：本文标题：机器算法学习 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dianzi/1726634254a1079391.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。