背景：タイムマシン学習関連の蓄積の一定期間の後、機械学習アルゴリズムはない異なるアルゴリズム間の相関せず、学習のメインルートに関連したが、現在はたくさんの本であり、私ので、特殊な櫛を実施し、説明していませんでしたこの種で
ルートを学習ソートアルゴリズムはすぐに学習アルゴリズム業界一般的に使用されるマシンを学ぶことです。この時間は、主に教師付き学習のために、一般的に使用されていないアルゴリズムが説明されていません。
ソート内容：直接マップ上
以下の点が必要な説明を：
1）ツリー構造は、可能な限りません平均省略分岐されないアルゴリズムとの関係を備え、学習シーケンスのバックボーンを表し
2）の方法は、実質的に達成することができる学習アルゴリズムの効果を迅速に評価するのに適した典型的なロジスティック回帰機械学習アルゴリズムであります
ニューラルネットワーク、xgboost、lightGBM、CatBoost、ランダムフォレスト3）ホット・分類/回帰の結果、一般的に、より良いアルゴリズム
4）等ナイーブベイズ、KNN、などの他のアルゴリズムは、一般的に産業部門の場合、多数のサンプルに適用されません
5）ニューラルネットワークの学習アルゴリズムの深さを入力し、他のアルゴリズムは比較的浅い学習アルゴリズムを呼び出すことができます。ニューラルネットワークはサンプル画像/自然言語のデータ型に適用された、複雑なエンジニアリング機能、高いトレーニングコストを必要としません。他の光層の学習アルゴリズムは、より洗練されたエンジニアリング機能、低トレーニングコストを必要とします
基礎理解することに集中する学習プロセスを学ぶことにグラフアルゴリズム、3つの要素：
1、モデル：あなたが特定のモデルを選択した場合には、「アルゴリズム」の人口の大多数のための最も正確な用語であり、そのような線形回帰、w1x1 + w2x2 +であるパラメータ空間を選択すると、対応するパラメータ空間を選択しましたw3x3の値空間でのワットのすべてのパラメータ......
2.戦略：学習アルゴリズムは、測定可能なパラメータは、一般的にコスト関数と呼ばれ、善と悪の標準的なことを学びました、現在ある特定のモデルパラメータ自動学習戦略です。まず、何人かの人々は、この概念の精度だと思いますが、現実には、我々は適切な代替手段を使用するので、私たちは凸関数の形を持っていることを好むなどが勾配を有する、精度要件を満たしていない計算されます。
3、アルゴリズム：アンアルゴリズムはここでは、勾配降下法、ニュートン法などのアルゴリズムを学習を参照して、最適化方法は、モデルパラメータに使用され、話もう一つのポイントは、それが線形回帰線を用いて、ある学習最適化アルゴリズムの一部でありますツリー自体はヒューリスティックアルゴリズムを使用しながら、最適化アルゴリズムは、剪定の方法で使用されます
読む必要がある本をし、次の領域を含みます
線形代数、確率論、統計、コンピュータ科学、最適化理論、計算の理論、情報理論などの数が多いです