對于程序員來說，機器學習領域無疑充滿著巨大的誘惑和挑戰，很多人對里面復雜的概念和算法頭疼不已，那么，有沒有一套對新手既友好又明了，對老手能加深印象，不斷復習的學習辦法呢？有，今天優達菌要送給大家一份“機器學習小抄”！

如果你不太清楚機器學習小抄是什么，請繼續耐心閱讀；如果你比較著急獲取完整版內容，請直接翻到文末，查看獲取小抄的方法。

---

這份“小抄”來自網紅數據科學家Chris Albon，他有近十年的統計學習、人工智能和軟件工程方面的經驗。著名的IT播客 Partially Derivative，就是他和其他兩位大佬一起主持的。

由于在機器學習上浸淫多年，累積了豐富的知識，Chris便將自己所識所學濃縮在一張張短小精悍的卡片中，并且在Twitter上不定期地更新卡片內容。

Chris本人

眾所周知，機器學習是由計算機、科學統計學和數學共同支撐起的一個廣闊領域，有數百個概念要學習，這些卡片旨在幫助你速記機器學習中的關鍵概念。

每一張卡片都包含一個機器學習概念，用圖片搭配文字解釋的方式生動地向你闡述概念背后的基礎思路，范圍從數學基礎橫跨到大熱的深度學習。

這些公式由Chris先手工繪制，再數據化轉換成你面前的一張張圖片，比起一頁頁地翻教科書更輕松偷♂稅。

你甚至能把圖片復制進手機，哪里不會點哪里，路上通勤的時候也能隨手翻看，這總比背英語單詞有趣多了吧！

到底愉不愉悅？優達君花了點時間金錢集齊了這套卡片，并辛苦地做了漢化，同時對一些作者沒講到或者不全面的知識做了補充。今天先發一些給大家感受下，如果覺得好玩且有幫助，可以直接翻到文末，查看小卡片領取方法。

準確率：分類問題中的常見度量方法。當我們有極為不平衡的分類時則不能奏效。這種情況下使用F1分數更為合適。

自適應提升算法：

1、為每一個觀測值Xi賦一個初始的權重值，Wi = 1/n，n是觀測值總數。

2、訓練一個“弱”模型。（通常是決策樹）

3、對于每一個觀測值：

? ? ?a)??????如果預測值錯誤，Wi增加

? ? ?b)??????如果預測值正確，Wi減少

4、訓練一個新的弱模型，其中，有更高權重的觀測值獲得更高優先級。

5、重復第3、4步，直到觀測值都能被完美預測出來或者預設數量的樹都被訓練完了。

調整R平方：

直觀上：一旦所有正確的特征都已經加上，額外的特征應該被懲罰。

（優達菌注：調整R平方有最大值，在此最大值下有最好的特征組合，常用于特征選擇。）

凝聚型聚類：所有的觀測值初始自成一個聚類。根據一些標準，聚類間相互合并。不斷重復這一過程，直到到達某一終點。

AIC(Akaike information criterion)：在特征選擇時用于比較哪個模型更好。AIC越小越好。

幾乎處處：根據度量理論，一個幾乎處處成立的性質對所有事物都是正確的，但是一些先鋒案例就會自然地忽略掉。

嶺回歸中的Alpha，不懂看圖。

安斯庫姆四重奏：安斯庫姆四重奏用4組完全不同的數據，得出相同的匯總統計和回歸線。這是對匯總統計的警示。

神經網絡架構：

?????????? 神經網絡架構指單元，他們的激活函數，有幾層等等。

?????????? 大多數的神經網絡架構可被理解為單元堆積層。

?????????? 某一問題的最好架構應該通過使用驗證集試驗后找到。

AUC：ROC曲線代表二分類器中真正類比例和假正類比例的概率閾值。AUC能評判模型的整體質量。AUC越高越好。

---

覺得機器學習很有趣，想進一步深入學習，加入 AI 熱潮，成為擁有?Google 技術認證的高薪、搶手又能改變世界的機器學習工程師嗎？

Udacity 與 Google、Kaggle、滴滴打車等行業領先企業，共同設計打造“機器學習工程師”納米學位項目，帶你從0開始進入人工智能領域，達到行業認可的硅谷水平。

掃描下方二維碼，加入微信群，獲取全套機器學習小卡片，還有更多課程資訊等你了解！

加入課程，你可以獲得：

• 硅谷獨家課程內容，Google、Kaggle、滴滴出行開發課程并頒發認證

• 全中文的學習輔導

• 每周一次直播輔導，答疑沒煩惱

• 加入同步學習小組，在導師監督下加速成長

本期課程將于?12月14日（明天）10:00?正式開放報名，僅限 300?席位。點擊閱讀原文，立即預定搶席位！

總結

以上是生活随笔為你收集整理的看完这13张图，不得不佩服还是外国人会玩人工智能的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。