[译] 机器学习 100 天

机器学习100天

英文原版请移步 Avik-Jain 。数据在 这里

翻译前请先阅读 规范

目录

数据预处理 | 第1天

数据预处理实现

简单线性回归 | 第2天

简单线性回归实现

多元线性回归 | 第3天

多元线性回归实现

逻辑回归 | 第4天

逻辑回归 | 第5天

今天我深入研究了逻辑回归到底是什么,以及它背后的数学是什么。学习了如何计算代价函数,以及如何使用梯度下降法来将代价函数降低到最小。

由于时间关系,我将隔天发布信息图。如果有人在机器学习领域有一定经验,并愿意帮我编写代码文档,也了解github的Markdown语法,请在领英联系我。

逻辑回归 | 第6天

逻辑回归实现

K近邻法(k-NN) | 第7天

逻辑回归背后的数学 | 第8天

为了使我对逻辑回归的见解更加清晰,我在网上搜索了一些资源或文章,然后我就发现了Saishruthi Swaminathan的 这篇文章

它给出了逻辑回归的详细描述。请务必看一看。

支持向量机(SVM) | 第9天

直观了解SVM是什么以及如何使用它来解决分类问题。

支持向量机和K近邻法 | 第10天

了解更多关于SVM如何工作和实现knn算法的知识。

K近邻法(k-NN) | 第11天

K近邻法(k-NN)实现

支持向量机(SVM) | 第12天

支持向量机(SVM) | 第13天

SVM实现

支持向量机(SVM)的实现 | 第14天

今天我在线性相关数据上实现了SVM。使用Scikit-Learn库。在scikit-learn中我们有SVC分类器,我们用它来完成这个任务。将在下一次实现时使用kernel-trick。Python代码见 此处 ,Jupyter notebook见 此处

朴素贝叶斯分类器(Naive Bayes Classifier)和黑盒机器学习(Black Box Machine Learning) | 第15天

学习不同类型的朴素贝叶斯分类器同时开始 Bloomberg 的课程。课程列表中的第一个是黑河机器学习。它给出了预测函数,特征提取,学习算法,性能评估,交叉验证,样本偏差,非平稳性,过度拟合和超参数调整的整体观点。

通过内核技巧实现支持向量机 | 第16天

使用Scikit-Learn库实现了SVM算法以及内核函数,该函数将我们的数据点映射到更高维度以找到最佳超平面。

在Coursera开始深度学习的专业课程 | 第17天

在1天内完成第1周和第2周内容以及学习课程中的逻辑回归神经网络。

继续Coursera上的深度学习专业课程 | 第18天

完成课程1。用Python自己实现一个神经网络。

学习问题和Yaser Abu-Mostafa教授 | 第19天

开始Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程1。这基本上是对即将到来的课程的一种介绍。他也介绍了感知算法。

深度学习专业课程2 | 第20天

完成改进深度神经网络第1周内容:参数调整,正则化和优化。

网页搜罗 | 第21天

观看了一些关于如何使用Beautiful Soup进行网络爬虫的教程,以便收集用于构建模型的数据。

学习还可行吗? | 第22天

完成Yaser Abu-Mostafa教授的Caltech机器学习课程-CS156中的课程2。学习Hoeffding不等式。

决策树 | 第23天

统计学习理论的介绍 | 第24天

Bloomberg ML课程的第3课介绍了一些核心概念,如输入空间,动作空间,结果空间,预测函数,损失函数和假设空间。

决策树 | 第25天

决策树实现

跳到复习线性代数 | 第26天

发现YouTube一个神奇的频道 3Blue1Brown ,它有一个播放列表《线性代数的本质》。看完了4个视频,包括了向量,线性组合,跨度,基向量,线性变换和矩阵乘法。

播放列表在 这里

跳到复习线性代数 | 第27天

继续观看了4个视频,内容包括三维变换、行列式、逆矩阵、列空间、零空间和非方矩阵。

播放列表在 这里

跳到复习线性代数 | 第28天

继续观看了3个视频,内容包括点积和叉积。

播放列表在 这里

跳到复习线性代数 | 第29天

观看了剩余的视频12到14,内容包括特征向量和特征值,以及抽象向量空间。

播放列表在 这里

微积分的本质 | 第30天

完成上一播放列表后,YouTube推荐了新内容《微积分的本质》,今天看完了其中的3个视频,包括导数、链式法则、乘积法则和指数导数。

播放列表在 这里

微积分的本质 | 第31天

观看了2个视频,内容包括隐分化与极限。

播放列表在 这里

微积分的本质 | 第32天

观看了剩余的4个视频,内容包括积分与高阶导数。

播放列表在 这里

随机森林 | 第33天

随机森林 | 第34天

随机森林实现

K-均值聚类 | 第43天

转到无监督学习,并研究了聚类。可在 作者网站 查询。发现一个奇妙的 动画 有助于理解K-均值聚类。

我来评几句
登录后评论

已发表评论数()

相关站点

+订阅
热门文章