aprender máquina para empezar

En este artículo, voy a introducir la perspectiva de las personas que vienen a aprender cómo la máquina desde la entrada hasta el maestro, aquí hablamos de la experiencia, para hablar de las herramientas, y más para hablar de metodología.

1. Introducción

A medida que entra en el aprendizaje automático blanco, es posible que, además de una mente curiosa y una gran cantidad de sangre no se hace nada, por supuesto, mejor esperamos que tenga una teoría básica de álgebra lineal, cálculo y probabilidad. Es posible que tenga dudas acerca de: aprendido olvidado. No se preocupe, este tipo de cosas no se olvidará, pero si se utiliza, va a aprender la ciencia, o que realmente nunca podría aprendido, esto no se preocupe, si usted realmente desea aprender, nunca es demasiado tarde ahora.

Así preámbulos, se llega a la fase de introducción. Conseguir hay tres etapas principales de tareas:

1. Zhou Zhihua rápida lectura del "libro de la sandía" ;
2. Consulte "Máquina de aprendizaje" sobre Andrew Ng Coursera ;
3. El Intercambio algoritmo de RAN .

Después de leer esto usted no puede entender o tener un montón de muchas dudas. No se preocupe, contestamos uno por uno.

1.1 lectura rápida "libro de sandía"

Un problema: ¿por qué debemos votar "aprendizaje automático"?

Debido a que este libro es realmente bueno, muy apropiado como libros de introducción. "métodos de aprendizaje estadístico," igualmente famosos aunque es muy bueno, pero es relativamente difícil de blanco. Aunque el "libro de la sandía," por encima, hay fórmulas, pero son demasiado complicadas cuando el principiante puede saltar por encima de la primera, y el libro viene con la sandía ejemplo, puede ser una buena ayuda a los estudiantes a entender el proceso de trabajo del algoritmo.

Segunda pregunta: ¿Por qué debería leer rápidamente?

Subrayo aquí tan rápido, porque rápido es realmente importante. Porque si se estira demasiado delgada, si comienza a parecer demasiado delgada y no sabe lo que debe leer en donde, las personas son muy propensos a tener el rechazo psicológico. El ejemplo más simple, se piensa cuando se realiza una copia de las palabras en inglés, ¿cuántas veces es de "abandono" al comienzo de su cuenta. Cada vez que ir al examen final, o cuarenta y seis o repentinamente querido aprender Inglés, y volver a recoger la palabra en el libro, ¿cuántas veces no ha vuelto a la "b" para abandonar el. Esto ocurre una razón principal es la falta de un sentido de logro, porque el mar opaco del conocimiento no obtuvo respuesta positiva inmediata a motivarse para seguir adelante y no ha habido casos de abandono. Especialmente para los estudiantes retraso gratificación no es fuerte, es fácil comenzar a principios plantó jugó un salto mortal.

Tercera pregunta: ¿cómo leer rápidamente? Cómo bloquear?

Nuestro énfasis aquí no quiere decir lectura casualmente rápido doble, pero no quiere decir que las "fluctuaciones cuánticas en la velocidad de lectura" (pepita manual). Queremos llevar el tema antes de leer lectura, por ejemplo, el algoritmo puede ser utilizado para hacer, y así que lo que de entrada y de salida del algoritmo sí. Uno de los enfoques es mejor con la grabación de cada capítulo con el contexto de mapas mentales o hilo . árbol de decisiones, por ejemplo, después de leer "Sandía libro", que puede tener las siguientes notas:

A modo de grabación del mapa mental puede ayudarnos a tomar notas, además de resolver sus propias ideas, hay dos beneficios muy importantes. Uno de ellos es: finalización no se sentirá muy vacío . Imagínese, si usted lee un libro rápidamente sin notas, entonces, no se habrá un cerdo para comer el ginseng sensación de fruta? (Libro del corazón OS :? sandía hablando de lo que) si tiene un mapa de la mente, y ver que se trata de un árbol de decisión para determinar si las declaraciones sobre la base de clasificador múltiple (por supuesto, pueden también ser conscientes del árbol de decisión puede ser utilizado para la regresión), hay muchos división de la propiedad puede escoger, en el momento de la poda de árbol de expansión mediante estrategias pueden reducir el exceso de montaje, cuando se trata de valores sucesivos, hay dos algoritmos cuando se trata de valores que faltan se encontró con dos problemas, y así sucesivamente.

Otro de los beneficios: ayuda el conocimiento mismo iteración . Tenemos que saber que el producto es iterativo, el conocimiento, por supuesto, a la iteración. Esto es por lo que tenemos que ser dividido en una introducción, avanzado y competente de las razones por las tres pasos. Roma no se construyó en un día, también se puede comer grasa.

Por supuesto, como un principiante, nuestro mapa mental puede no ser tan detallado, por ejemplo, leer "libro de la sandía" lineal capítulo clasificación, que puede ser:

No importa tanto, el conocimiento es constante iteración, un mapa mental es solamente una herramienta auxiliar para nosotros de aprender.

En cuanto a tiempo, puede mantener su posición, pasé menos de una semana para leer, al igual que de tres a cuatro horas al día.

"El aprendizaje de la máquina" en la Coursera 1.2 Andrew Ng

La pregunta: ¿Por qué es este curso?

Aquí hay que señalar, es "Machine Learning" "Machine Learning", no Coursera del CS229. Recomendamos las siguientes razones:

• base de contenido, aunque está en Inglés, pero hay subtítulos en chino;
• La gran calidad, 120 000 grados, con una puntuación media de 4,9, a saber que sólo 5 puntos cabo;
• Cada lección no es largo, y tiene una pequeña práctica después de la escuela;
• Además de sus propias notas, pero también se pueden encontrar en línea y luego los otros estudiantes en la clase sobre las notas se pueden utilizar como añadir sus propias notas;
• "Una tarea", "demasiado enfriar" a ser un poco los puntos de dolor, seguido por Andrew Ng empujando fórmula, profundizar en la comprensión, para la preparación avanzada.

Algunos estudiantes también pueden recomendar la clase de otro maestro, e incluso un montón de datos del teléfono. Sólo quiero decir, no lo hacen. Debemos rechazar la enfermedad de hámster (hámsters acaparamiento), muchas cosas nos iban a distraer, vamos a tener una sensación va a aprender mucho de la ilusión. Menos es más, aprender Boutique en la línea.

Segundo problema: el curso tiene que ayunar?

No ayunan! Hay que tomar en serio las notas (o mapa mental)! Tenga en cuenta también hecho para ver las notas de otras personas, bajo su propio complemento no viene al caso. Con buen curso debe tratar a la actitud piadosa para ver, no pierda la oportunidad por primera vez de ver el video, de vuelta mirada no puede ser tan tener paciencia.

Tercera pregunta: ¿Cuánto tiempo me toma?

Un total de once cursos, ningún curso ha estimado el tiempo, además de organizar notas para ver las notas de otras personas, que pueden estimarlo. Recomendaciones completado dentro de dos semanas.

Aunque este curso está en Inglés, pero también la fórmula, sino porque el maestro Andrew Ng es muy bueno, por lo que su dificultad es menor que nuestra mirada libro sandía.

1.3 Algoritmo RAN Changeling

Primera pregunta: ¿Por qué debería transferir el paquete para ejecutar el algoritmo?

Hay tres razones:

• Mejorar la percepción : Recuerdo que cuando acaba el aprendizaje de la computadora, el maestro, en particular, al igual que decir una palabra para nosotros: que escriben, para correr una carrera, sentirlo. Sólo mirada práctica a la experiencia personal;
• La capacidad de mejorar el código : ingeniería informática es un tema muy complejo, no sólo para aprender los conocimientos teóricos, sino que también tienen la capacidad de lograr un buen código;
• Un sentido de logro : No me siento capaz de "predecir" la misma cosa desconocida es una cosa muy gratificante?

Segundo problema: los datos provienen de dónde?

Demasiadas fuentes de conjuntos de datos, pero de nuevo: no tienen hámsters enfermos, los datos que necesitamos para tomar lo que los datos pueden ser. Comparación de las fuentes de datos recomendadas y Kaggle Ali Tianchi, se puede ir a buscar a los que la competencia de nivel de entrada, que se ejecuta dentro del conjunto de datos.

Tercera pregunta: ¿Qué algoritmo de correr?

Puesto que es un paquete transferido, se utilizará más Sklearn, que puede probar el algoritmo, una carrera a través, y de nuevo a la otra velocidad muy rápida, preferiblemente cubierto algoritmos utilizados comúnmente tales como: LR, SVM, Random Bosque y así sucesivamente.

Pregunta 4: ¿Cuánto tiempo para pasar el tiempo?

Esto depende de su base, y si la capacidad de código bien, hasta que un día se puede obtener, si la capacidad de código no está bien, podría tomar dos o tres días. Si el código no funciona, entonces la capacidad de recordar otras personas para ver el código escrito, en lugar de tratar a ciegas violín.

1.4 resumen

Para resumir la fase de entrada de las tres tareas de propósito :

1. "Libro de sandía": algoritmos de comprensión y conciencia, tienen un conocimiento general de la máquina de aprendizaje;
2. "Machine Learning": empujando bajo la dirección del maestro fórmula Andrew Ng, profundizar en la comprensión del algoritmo, para prepararse para estudios avanzados;
3. El Intercambio algoritmos ejecutar: algoritmos tienen una conciencia perceptiva, y mejorar la capacidad.

Tiempo estimado : 3 a 4 semanas.

El uso de la primera fase:

• Herramientas : "el libro de sandía", "un método de aprendizaje estadístico"; mapa mental; Markdown se recomienda tomar notas o notas escritas a mano;
• Metodología : La retroalimentación positiva en el momento oportuno; rechazar la enfermedad de hámster.

PD: Si tienes tiempo extra también puede mirar la "programación sabiduría colectiva," Este libro es muy simple y tiene un código muy completo para lograr, puede elegir para leer o práctica en función de sus preferencias.

2. avanzada

Después de completar la fase de introducción del estudio, hemos promovido con éxito de blanco a la máquina de aprendizaje máquina de aprendizaje portal, cuando vea la palabra SVM, LR como nunca conocido. Pero la revolución no tiene éxito, compañeros todavía funcionan.

Que en fase avanzada, lo que aprenden? Y cómo aprenderlo?

Nos fijamos en la tarea de Aprendizaje Avanzado:

1. Aprendizaje "métodos estadísticos de aprendizaje", "Sandía libro" ;
2. Algoritmo de aprendizaje comúnmente usado fuera de los libros ;
3. Aprendizaje funciona la característica de juego .

Del mismo modo, tenemos que responder a las siguientes dudas compañeros de clase.

2.1 aprendizaje "métodos estadísticos de aprendizaje", "libro" Sandía

La pregunta: ¿por qué es el aprendizaje "libro de sandía"?

Debido a que no tenemos cuidado estudio de la primera pasada, el primer paso que simplemente lo hizo de nuevo. Sin embargo, un libro bueno no sólo debe verlo de nuevo. Creer que todo lector me dará una experiencia diferente.

Pregunta dos: dos hacia atrás?

Le recomiendo que lea los "métodos de aprendizaje estadístico" (véase la segunda edición recomendado), y un directorio "métodos de aprendizaje estadístico" para actualizar su sistema de conocimiento, "libro de la sandía" complementado "método de aprendizaje estadístico" para ver qué algoritmo y fue a "libro de la sandía" dentro de mirada, añadir algo. La razón de esto es simple: un directorio "métodos de aprendizaje estadístico" construir nuestro conocimiento es más razonable.

Pregunta tres: el cómo aprender?

Esta etapa puede ya no ser visto como la fase de entrada como fórmulas complejas para saltar. Pero también sé que no es una base matemática para muchos estudiantes, sino que forma parte de la fórmula en el libro hay muchos pasos saltados, es más difícil de leer. Esta vez vamos a tomar prestada la sabiduría de las multitudes:

• En primer lugar, tenemos que aprender a utilizar RDCC / saber casi otra plataforma profesional para los que tienen un gran elogio alta cantidad de lectura en estas plataformas Bowen se filtran fuera de tiempo artículos de alta calidad, escribo un montón de muy buen blog y la escritura de libros a ser más propicio para el entendimiento humano, por supuesto, se puede echar un vistazo a algunos de los papeles, muy clásico ejemplo: Wu Xindong "minería de datos algoritmo de diez";
• En segundo lugar, hay una relativamente bien conocidos en github "libro de calabaza", el libro es una fórmula "sandía libro" derivado suplemento, profesor Zhou Zhihua había recomendado;
• Por último, hacemos un buen uso de los mapas mentales, cuando se lee un libro o blog, recuerda mejorar sus propias notas, esto es muy importante!

Además, los métodos de aprendizaje "estadísticas" de espesor, sobre todo en la segunda edición, que tienen que aprender a elegir, para distinguir lo algoritmo necesidades a la vista, lo algoritmo se puede poner fuera. Por ejemplo, quiero hacer después de la recomendación, CTR de anuncio, control de riesgos ese tipo de cosas, entonces podemos poner MCMC, LDA y similares algoritmo primero poner fuera, y el tiempo limitado en LR, SVM, árbol de decisiones sucesivamente.

Cuando se trata de aprender una gran cantidad de principios matemáticos, la falta de Han invente lo que puede, no deponer su máquina de aprender a aprender las matemáticas para el final. No quiere decir que las matemáticas no es importante, pero tenemos que entender los objetivos y las tareas de cada etapa, el objetivo orientado nos ayuda a aprender.

Pregunta 5: aprender en qué medida?

Creo que al menos en la medida de aprendizaje avanzado incluir:

1. Algoritmo para aprender y comprender los principios de las matemáticas, fórmula derivación aprender y ventajas maestros y desventajas del algoritmo;
2. Algoritmos necesitan aprender a entender el papel de los algoritmos, los escenarios de uso;
3. Agarre los detalles del algoritmo, por ejemplo, la función de la SMO y SVM kernel; sintonización y la mejora de K-means, la forma de determinar el valor de k, que demuestran cómo la convergencia; método de actualización de parámetros de la LR, L1, y L2 Tikhonov regularización, parámetros Cómo optimización;

Para LR por ejemplo, después de enterarse del mapa mental puede tener este aspecto:

Aunque parezca contenido no más que antes, pero si se fijan bien, todavía hay diferencias significativas en la profundidad de los contenidos y de entrada de fases.

Pregunta seis: sobre el tiempo que tomó?

Esto se debe basar en el número de personas seleccionadas para cada algoritmo, un algoritmo puede gastar un promedio de dos a cuatro días para aprender a dominar.

2.2 algoritmos comúnmente usados ​​distintos de aprendizaje de los libros

Primera pregunta: ¿Qué algoritmo?

Más famosa Impulsar tres hermanos: XGBoost, LightGBM y CatBoost;

En segundo lugar, FM, FFM es también algoritmo bien conocido y sus derivados;

Segunda pregunta: ¿Por qué aprender?

En primer lugar, estos algoritmos son más comúnmente algoritmos, el rendimiento, robustez utilizados, y se utiliza a menudo en varias empresas grandes y pequeñas, y las grandes competiciones (Kaggle, Ali Tianchi, etc.);

En segundo lugar, podemos aprender una idea de la ciencia de estos algoritmos, nos ayuda a afinar el algoritmo, por ejemplo, usamos el tiempo XGBoost, por lo que sabemos, porque el aprendizaje de la discreta continua LightGBM características ayudan a mejorar XGBoost generalización;

Tercera pregunta: ¿cómo aprender?

En primer lugar, se recomienda para ver la alta calidad de Bowen, los tres algoritmos tienen una idea aproximada y luego a ver el papel, los beneficios de hacerlo es leer el blog puede tener un conocimiento general del algoritmo, y después de ver el papel con mayor facilidad para empezar, además de los documentos originales es un placer de leer;

En segundo lugar, no se recomienda cada escuela, existe una considerable capacidad de los estudiantes pueden aprender un poco de tiempo para recoger cosas foco apretado para aprender, para saber elegir.

2.3 juego

La pregunta: ¿Por qué jugar el juego?

En primer lugar, estamos jugando un importante paso que conduce a la práctica de la teoría, los datos son los datos del juego será una gran cantidad de trabajo es relativamente limpio, una gran ayuda en la transición de la teoría a la práctica en el proceso.

En segundo lugar, el "no hay almuerzo gratis", que hay un algoritmo perfecto puede resolver todos los problemas. Al jugar el juego, podemos profundizar en la comprensión del algoritmo, familiarizado con las áreas de especialización del algoritmo.

Por último, jugar el juego, vamos a aprender de aprendizaje en un área muy importante de la máquina - cuenta con obras. A menudo decimos, características determinan el límite superior, pero sólo algoritmo para aproximar el límite superior, a partir de esta declaración será capaz de ver la importancia de las características. Por lo que sólo el algoritmo no es suficiente, sino también aprender a hacer las obras de características. Por otra parte, diferentes algoritmos pueden requerir diferentes características del proyecto, lo que profundizará nuestra comprensión del algoritmo.

Segundo problema: cómo aprender?

En primer lugar, se recomienda encarecidamente Kaggle, porque hay una gran cantidad de hermano mayor para compartir experiencias publican en Kaggle, no sólo los algoritmos de referencia, habrá análisis de datos, la experiencia y la mentalidad de las características del proyecto, se recomienda encarecidamente que vaya a estudiar y la práctica;

En segundo lugar, el proyecto se caracteriza por una experiencia más parcial, como una nueva característica a los estudiantes de ingeniería, se puede jugar el juego de nuevo, una vez más mirar los libros y en el blog: Hay alguna característica bien conocida del libro "Getting Started con las características y la práctica de ingeniería" hay muchos estudiantes terminando características trabaja blog relacionado también puede mirar;

Por último, una vez más, recuerde que debe organizar sus notas! Debido a que el blog y los libros tienen una gran cantidad de contenido duplicado, y sólo después de una cuidadosa peinado para formar nuestro propio aprendizaje.

Tercera pregunta: Tiempo estimado

Tan corto como unos pocos libros para ver demo para ver que ejecutar el algoritmo de varias semanas para llegar, o tan largo como sea necesario para jugar algunos juegos de un año.

2.4 resumen

Para resumir etapa avanzada de las tres tareas de propósito :

1. Aprendizaje "métodos estadísticos de aprendizaje", "libro" Sandía : una comprensión más profunda del algoritmo empujando una fórmula para dominar los detalles del algoritmo;
2. Libro algoritmo de aprendizaje utilizado comúnmente fuera : un complemento a los contenidos del libro, para aprender y dominar el algoritmo más populares;
3. Juega : la transición algoritmo de aprendizaje de la teoría a la práctica, mientras que el aprendizaje funciona la característica.

Tiempo estimado : El tiempo será relativamente grandes fluctuaciones, pero no importa el tiempo que sea necesario, se puede llegar a esta etapa de conocimiento es mucho.

Herramientas : "Métodos estadísticos de aprendizaje", "el libro de sandía", "el libro de la calabaza"; "característica funciona de entrada y Práctica"; blogs, mapas mentales; papel;

Metodología : orientado a objetivos, aprender a elegir, de la necesidad de recordar el supuesto de retroalimentación positiva.

3. Competente

Esta etapa no es bueno hablar, porque soy también en esta etapa de los viajes, pero mi punto de vista personal, tiene las siguientes tareas:

1. comprensión en profundidad de los detalles del algoritmo, en comparación con el algoritmo principal diferencia ;
2. Algoritmo de aprendizaje en aplicaciones de la industria, ver el código fuente ;
3. La lectura de los documentos ;
4. el blog de escritura .

Del mismo modo, somos uno por uno para explicar.

3.1 profundidad la comprensión de los detalles del algoritmo, la mayor diferencia en el algoritmo de comparación

Uno de los problemas: Voy a empujar fórmula, y además no se detalla suficiente?

En primer lugar, estamos hablando de fórmulas empujando a menudo son capaces de entender la fórmula, y no sé por qué tal un empujón, y saber qué pero no el por qué. Por ejemplo, vamos a SVM para resolver el problema dual por el método multiplicador de Lagrange, pero puede que no sepamos método de los multiplicadores de Lagrange era originalmente para resolver el problema de optimización de la iluminación, en lugar de la desigualdad en SVM problema de optimización, si a partir de los multiplicadores de Lagrange se extienden desde la desigualdad a la igualdad a optimizar optimizarlo?

Además hay: ¿Por qué tiene que traducirse en siquiera cuestionarlo? ¿Por qué la SVM de la conversión a ella? La fórmula original no huele? Por lo que la fórmula que acaba de empujar más profunda comprensión del algoritmo, esta etapa de aprendizaje siquiera preguntar por qué. ¿Por qué debemos hacer, entonces le preguntó por qué más podemos saber: primero convertida en el problema dual puede simplificar la complejidad de la cuestión, las dimensiones y aspectos originales e muestras relacionadas con el número de muestras, y ahora solamente, y el número de muestras relacionadas con el; seguido por la conversión para la función del núcleo puede introducirse fácilmente en el problema dual, los datos de los mapas de alta dimensión a baja dimensión, más fáciles de encontrar una solución óptima. .

En segundo lugar, muchas cosas aparentemente sencillas, como aprendimos en etapa avanzada: LR L1 y L2 paradigma introducidos por los pesos pesados ​​para reducir el valor de la restricción sobreajuste riesgos. Pero no hemos pensado acerca de por qué el pequeño peso pesado puede reducir el riesgo de exceso de ajuste? ¿Por L1 y L2 paradigma eficaz?

Después de esta etapa, podemos saber: reducir el peso es reducir la complejidad del algoritmo, la precisión de la predicción para evitar problemas causados ​​por las fluctuaciones en el valor de la variable. También sabemos, L1 y L2 paradigma es eficiente debido a que el concepto de "cero distribución media de Laplace" y "distribución normal de media cero" de tal conocimiento previo.

En resumen, la tarea en esta etapa es preguntarse por qué. ¿Por qué es esto? ¿Por qué es esto? Usted no lo hizo? Sólo preguntarse por qué, con el pensamiento dialéctico para aprender, para entender más acerca de los detalles del algoritmo.

Segunda pregunta: ¿Por qué debería comparar el algoritmo de las principales diferencias?

Un árbol no hace un bosque, tenemos que aprender a conocimiento fragmentado desde la línea de punto de Excel, y luego empalmar en el lado de la línea, o incluso amontonamos en una imagen tridimensional.

En el curso de aprendizaje avanzado, sabemos mejor que el efecto LR XGBoost, la teoría matemática de SVM se realiza incluso si la industria todavía no es de uso común. Pero no sabemos el por qué? ¿Por qué mejor que XGBoost LR? ¿Por qué no se usa comúnmente SVM? ¿Por bayesiano LR y aplica diferentes áreas? ¿Por qué es "no hay almuerzo gratis"?

Entender las diferencias entre diferentes algoritmos, y las ventajas y desventajas, por ejemplo frente a RL y las diferencias y relaciones SVM, LR y diferencias máximas algoritmo entropía y las relaciones, y así sucesivamente.

A través del estudio de las principales diferencias con el algoritmo de contacto, que puede ayudarnos a una comprensión más profunda de los distintos algoritmos.

Tercera pregunta: aprender en qué medida?

Esto no quiere decir, que dominan el escenario ojos del espectador sabios ven la sabiduría a LR, por ejemplo, creo que por lo menos debería aprender esta etapa:

3.2 aprenden aplicaciones industriales, mirar el código fuente

Primera pregunta: ¿Por qué aprender aplicaciones industriales?

Debido a que la mayoría de nosotros, finalmente, ir al sector industrial, mientras que el pensamiento del sector industrial y nuestro pensamiento en la escuela hay una diferencia.

En primer lugar, la industria se pone más énfasis en el suelo, en lugar de precisión. Por lo general, jugamos juegos, documentos de envío y similares, están sacando del algoritmo es muy complicado, pero en la interfaz de datos industriales a diez millones o incluso cien millones, y demasiado complejo algoritmo no es propicio para nuestro aterrizaje algoritmo. Por lo tanto, la industria está obligada a tener un equilibrio de fuerzas en la precisión y cálculo;

En segundo lugar, la industria registró la velocidad, el algoritmo debe ser rápido. Esta vez cómo el algoritmo para conseguir el paralelismo es particularmente importante. Los métodos más comunes son: datos en paralelo y funciones paralelas, se puede entender el auto.

Segunda pregunta: ¿Por vistazo al código fuente?

Un vistazo al código fuente con el fin de profundizar su comprensión del algoritmo, y en segundo lugar Aprender estrategia de optimización del algoritmo cuando el aterrizaje o algún pequeño truco, tales como la forma de ordenar? Con O (nlogn) de descarga rápida que? Cómo probar? Cómo ponderada de muestreo? Cómo contar números aleatorios? Y así sucesivamente. Estos son la necesidad de aprender de la fuente.

3.3 papeles de la lectura

Esto no debería preguntarse por qué ahora, muchos máquina avanzada de aprendizaje / profundidad algoritmos de aprendizaje se derivan de papel, un poco viejo y un poco similares GDBT + LR, GDBT + FM esta combinación (GDBT puede ser reemplazado XGBoost), hay DIN más joven , DIEN y así sucesivamente.

papeles de la lectura nos ayudan a entender el último modelo del algoritmo, para mantenerse al día con la trayectoria de investigación de vanguardia.

3.4 Escribir el blog

De hecho, escribir un blog avanzó cuando se puede escribir, incluso cuando usted también puede escribir la entrada. Nada más que los billetes emitidos para poner en orden. Tenga en cuenta, sin embargo, que hemos dicho aquí blog está escrito para que otros lo lean, si está escrito que se parece a la forma de escribir. Pero ahora su público objetivo es otros lectores, usted debe tomar una actitud responsable, a la entrada del blog de escritura.

El blog escrito, dijo que al menos deja que el lector sepa lo que está hablando de ello. Muchos encontrarán que una molestia, pero no lo es, antes de aprender es una entrada, no se sabe cuánto de digerir, y la salida es un blog de escritura, se escribe el número en su nombre será cuánto.

Algunos estudiantes podrían decir: "Me gustaría, pero no puedo escribir, soy la olla hierve albóndigas".

Lo sentimos, no piensa así, de hecho, no es así, no es esta idea en gran medida debido a que tienen expectativas poco realistas hacia abajo a la tierra sin ninguna razón.

Además, el blog de escritura también organizar sus pensamientos en un proceso que puede ayudarnos a aprender buena resumir y profundizar en la comprensión del algoritmo.

3.5 resumen

Por último, se resumen varias tareas de la etapa de dominio:

1. comprensión en profundidad de los detalles del algoritmo, la mayor diferencia en el algoritmo de comparación : el punto de la superficie encordada, para profundizar en la comprensión del algoritmo;
2. aplicaciones industriales estudiadas, véase Fuente : Comprensión optimización de aplicaciones industriales y algoritmos piso, profundizar en la comprensión del algoritmo;
3. Los documentos de lectura : Comprender el algoritmo de vanguardia;
4. el blog de escritura : el conocimiento peine, profundizar en la comprensión del algoritmo.

Herramientas : Fuente; el blog; papel;

Metodología : En línea con las series de puntos de la superficie, y la salida de entrada conocimiento;

4. Los materiales de aprendizaje recomendados

Greedy universidad aijiaoai "aprendizaje automático", este curso cubre 16 grandes explicación clásica algoritmo, el funcionamiento práctico de 20 casos, ocho grandes proyectos de trabajo. Y un espacio libre para jugar el juego fácil de modo que le permite una rápida puesta en la máquina de aprendizaje dentro de dos meses aprender.

 

Más productos secos comparten, por favor preste atención a número público "codiciosos Tecnología AI".