<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                合規國際互聯網加速 OSASE為企業客戶提供高速穩定SD-WAN國際加速解決方案。 廣告
                # 如何研究機器學習算法 > 原文: [https://machinelearningmastery.com/how-to-study-machine-learning-algorithms/](https://machinelearningmastery.com/how-to-study-machine-learning-algorithms/) 算法構成了機器學習的重要組成部分。 您可以選擇并應用機器學習算法,根據數據構建模型,選擇要素,組合多個模型的預測,甚至評估給定模型的功能。 在這篇文章中,您將回顧5種不同的方法,您可以使用它們來研究機器學習算法。 [![study machine learning algorithms](img/9cc23a6914f0da856fc09d1b25a9d5d9.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/10/study-machine-learning-algorithms.jpg) 如何學習機器學習算法 圖片來自 [mer chau](http://www.flickr.com/photos/merchau/8548057127) ,保留一些權利 ## 1.列出機器學習算法 有很多機器學習算法,它可以感覺壓倒一切。 即使定義機器學習算法是什么,也可能很棘手。 一個很好的起點是制作自己的算法列表。啟動文本文件,word文檔或電子表格并列出算法名稱。還列出每種算法所屬的一般類別。 這個簡單的策略可以幫助您熟悉不同類型和類別的算法。之后,隨著您的經驗越來越豐富,這樣的列表可以提示您并提供不同方法的想法,以便對您的問題進行檢查。 一些算法列表的示例包括: * [通過創建機器學習算法的目標列表來控制](http://machinelearningmastery.com/create-lists-of-machine-learning-algorithms/ "Take Control By Creating Targeted Lists of Machine Learning Algorithms") * [機器學習算法之旅](http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/ "A Tour of Machine Learning Algorithms") * [維基百科上的機器學習算法列表](http://en.wikipedia.org/wiki/List_of_machine_learning_algorithms) ## 獲取免費算法思維導圖 ![Machine Learning Algorithms Mind Map](img/2ce1275c2a1cac30a9f4eea6edd42d61.jpg) 方便的機器學習算法思維導圖的樣本。 我已經創建了一個由類型組織的60多種算法的方便思維導圖。 下載,打印并使用它。 ## 2.應用機器學習算法 機器學習算法不是孤立存在的,應用于數據集時最好理解它們。 將算法應用于問題以理解它們。 [練習應用機器學習](http://machinelearningmastery.com/process-for-working-through-machine-learning-problems/ "Process for working through Machine Learning Problems")。這聽起來很簡單,但你會驚訝于癱瘓的人數從理論到行動邁出這一小步。 這可能意味著處理對您來說很重要的[問題](http://machinelearningmastery.com/work-on-machine-learning-problems-that-matter-to-you/ "Work on Machine Learning Problems That Matter To You"),競爭數據集或[經典機器學習數據集](http://machinelearningmastery.com/how-to-build-an-intuition-for-machine-learning-algorithms/ "How to Build an Intuition for Machine Learning Algorithms")。 使用機器學習平臺,如 [Weka](http://machinelearningmastery.com/what-is-the-weka-machine-learning-workbench/ "What is the Weka Machine Learning Workbench") , [R](http://machinelearningmastery.com/what-is-r/ "What is R") 或 [scikit-learn](http://machinelearningmastery.com/a-gentle-introduction-to-scikit-learn-a-python-machine-learning-library/ "A Gentle Introduction to Scikit-Learn: A Python Machine Learning Library") ,可以訪問許多機器學習算法。 開始為不同類型的算法建立直覺,例如決策樹和支持向量機。想想他們所需的前提條件以及參數對結果的影響。 建立應用不同算法的信心。 [您應該對您的問題](http://machinelearningmastery.com/why-you-should-be-spot-checking-algorithms-on-your-machine-learning-problems/ "Why you should be Spot-Checking Algorithms on your Machine Learning Problems")進行抽查算法。 ## 3.描述機器學習算法 理解機器學習算法的下一步是探索已經理解的算法。 這可以在應用算法之前完成,但我認為在深入算法描述之前,將算法的工作直覺作為上下文是有價值的。 你可以研究一種算法。這包括定位和讀取首次描述算法的主要來源以及教科書和評論文章中對算法的權威解釋。 會議論文,競賽結果甚至表格以及 [Q&amp; A網站](http://machinelearningmastery.com/machine-learning-communities/ "Machine Learning Communities")可以幫助您更好地理解算法的最佳實踐和使用啟發式方法。 在研究算法時,請構建描述。我喜歡使用定義明確的[算法描述模板](http://machinelearningmastery.com/algorithm-description-template/ "You Can Learn Machine Learning Algorithms")。 您可以繼續添加到此模板,以發現有關算法的更多信息。您可以添加引用,列出算法的偽代碼并列出最佳實踐和使用啟發式。 這是一種有價值的技術,您可以構建自己的算法描述迷你百科全書供您自己參考(例如,參見 [Clever Algorithms](http://CleverAlgorithms.com) 獲取45種算法秘籍)。 有關我使用的模板的更多信息,請查看帖子“[如何學習機器學習算法](http://machinelearningmastery.com/how-to-learn-a-machine-learning-algorithm/ "How to Learn a Machine Learning Algorithm")”。 ## 4.實施機器學習算法 實現機器學習算法是了解算法如何工作的一種很好的方法。 在實現算法時必須做出許多微決策。其中一些決策點暴露在算法配置參數中,但很多都沒有。 通過自己實現算法,您將感受到如何自定義算法并選擇要公開的內容以及要修復的決策點。 從頭開始實施算法將幫助您理解算法的數學描述和擴展。這聽起來可能違反直覺。數學描述是理想化的,并且通常提供算法內給定過程的快照描述。一旦將它們轉換為代碼,這些描述的含義可能會更加明顯。 您可以利用算法的教程和開源實現來幫助您完成這些困難的部分。 請注意,算法的“_我的第一個實現_”將比您在機器學習工具或庫中找到的生產級實現更不可擴展且更脆弱。 看看我的[教程,在Python](http://machinelearningmastery.com/tutorial-to-implement-k-nearest-neighbors-in-python-from-scratch/ "Tutorial To Implement k-Nearest Neighbors in Python From Scratch") 中從頭開始實現k-最近鄰居。 您可能也對我的帖子“[如何實現機器學習算法](http://machinelearningmastery.com/how-to-implement-a-machine-learning-algorithm/ "How to Implement a Machine Learning Algorithm")”感興趣。 ## 5.機器學習算法實驗 試驗機器學習算法是理解它們的最佳方式。 你需要像科學家一樣行事,研究像復雜系統一樣運行的機器學習算法。 您需要控制變量,使用易于理解的標準化數據集,并探索結果上參數的因果關系。 了解參數的影響將有助于您在將來更好地配置算法。了解算法在不同情況下的行為將有助于您在將來更好地擴展和調整方法到新的和不同的問題域。 許多機器學習算法本質上是隨機的,并且抵抗更經典的算法分析方法。它們通常需要理解經驗調查和概率描述。 ## 摘要 在這篇文章中,您發現了五種學習和學習機器學習算法的方法。 他們在哪里: 1. 列出機器學習算法 2. 應用機器學習算法 3. 描述機器學習算法 4. 實現機器學習算法 5. 機器學習算法實驗 您是否使用過這些方法來學習機器學習算法? 也許您有自己的方法來研究機器學習算法?在下面的評論中分享。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看