机器学习入门 - Google机器学习速成课程 - 笔记汇总

男娘i 2022-01-08 02:23 319阅读 0赞

# 机器学习入门 - Google机器学习速成课程 - 笔记汇总 #

## 机器学习入门 - Google机器学习速成课程 ##

*  [https://www.cnblogs.com/anliven/p/6107783.html][https_www.cnblogs.com_anliven_p_6107783.html]
 *  MLCC简介
 *  前提条件和准备工作
 *  完成课程的下一步

## 机器学习入门01 - 框架处理(Framing) ##

*  [https://www.cnblogs.com/anliven/p/10252938.html][https_www.cnblogs.com_anliven_p_10252938.html]
 *  机器学习基本术语。
 *  了解机器学习的各种用途。

## 机器学习入门02 - 深入了解机器学习 (Descending into ML) ##

*  [https://www.cnblogs.com/anliven/p/10253210.html][https_www.cnblogs.com_anliven_p_10253210.html]
 *  直线拟合知识。
 *  将机器学习中的权重和偏差与直线拟合中的斜率和偏移关联起来。
 *  大致了解“损失”，详细了解平方损失。

## 机器学习入门03 - 降低损失 (Reducing Loss) ##

*  [https://www.cnblogs.com/anliven/p/10258292.html][https_www.cnblogs.com_anliven_p_10258292.html]
 *  了解如何使用迭代方法来训练模型。
 *  全面了解梯度下降法和一些变体，包括：小批量梯度下降法、随机梯度下降法、尝试不同的学习速率。

## 机器学习入门04 - 使用TensorFlow的起始步骤 (First Steps with TensorFlow) ##

*  [https://www.cnblogs.com/anliven/p/10264318.html][https_www.cnblogs.com_anliven_p_10264318.html]
 *  了解如何在 TensorFlow 中创建和修改张量。
 *  了解 Pandas 的基础知识。
 *  使用 TensorFlow 的一种高级 API 开发线性回归代码。
 *  尝试不同的学习速率。

## 机器学习入门05 - 泛化 (Generalization) ##

*  [https://www.cnblogs.com/anliven/p/10264475.html][https_www.cnblogs.com_anliven_p_10264475.html]
 *  直观理解过拟合。
 *  确定某个模型是否出色。
 *  将数据集划分为训练集和测试集。

## 机器学习入门06 - 训练集和测试集 (Training and Test Sets) ##

*  [https://www.cnblogs.com/anliven/p/10280028.html][https_www.cnblogs.com_anliven_p_10280028.html]
 *  了解将数据集分成训练集和测试集的优势。

## 机器学习入门07 - 验证 (Validation) ##

*  [https://www.cnblogs.com/anliven/p/10280117.html][https_www.cnblogs.com_anliven_p_10280117.html]
 *  使用验证集评估训练集的效果。

## 机器学习入门08 - 表示法 (Representation) ##

*  [https://www.cnblogs.com/anliven/p/10280203.html][https_www.cnblogs.com_anliven_p_10280203.html]
 *  将日志和 Protocol Buffer 中的字段映射到实用的机器学习特征。
 *  判断哪些特性可用作合适的特征。
 *  处理离群值特征。
 *  调查数据集的统计属性。
 *  使用 tf.estimator 训练并评估模型。

## 机器学习入门09 - 特征组合 (Feature Crosses) ##

*  [https://www.cnblogs.com/anliven/p/10288612.html][https_www.cnblogs.com_anliven_p_10288612.html]
 *  了解特征组合。
 *  在 TensorFlow 中实施特征组合。

## 机器学习入门10 - 正则化：简单性 (Regularization for Simplicity) ##

*  [https://www.cnblogs.com/anliven/p/10301588.html][https_www.cnblogs.com_anliven_p_10301588.html]
 *  了解复杂度与泛化之间的权衡。
 *  使用 L2 正则化进行实验。

## 机器学习入门11 - 逻辑回归 (Logistic Regression) ##

*  [https://www.cnblogs.com/anliven/p/10328363.html][https_www.cnblogs.com_anliven_p_10328363.html]
 *  了解逻辑回归。
 *  了解逻辑回归的损失和正则化函数。

## 机器学习入门12 - 分类 (Classification) ##

*  [https://www.cnblogs.com/anliven/p/10336463.html][https_www.cnblogs.com_anliven_p_10336463.html]
 *  评估逻辑回归模型的准确率和精确率。
 *  了解 ROC 曲线和曲线下面积。

## 机器学习入门13 - 正则化：稀疏性 (Regularization for Sparsity) ##

*  [https://www.cnblogs.com/anliven/p/10344515.html][https_www.cnblogs.com_anliven_p_10344515.html]
 *  了解如何使信息缺乏的系数值正好为 0，以便节省 RAM。
 *  了解 L2 正则化之外的其他类型的正则化。

## 机器学习入门14 - 神经网络简介 (Introduction to Neural Networks) ##

*  [https://www.cnblogs.com/anliven/p/10344698.html][https_www.cnblogs.com_anliven_p_10344698.html]
 *  对神经网络有一定的了解，尤其是了解：隐藏层、激活函数。

## 机器学习入门15 - 训练神经网络 (Training Neural Networks) ##

*  [https://www.cnblogs.com/anliven/p/10347254.html][https_www.cnblogs.com_anliven_p_10347254.html]
 *  在一定程度上了解反向传播算法。

## 机器学习入门16 - 多类别神经网络 (Multi-Class Neural Networks) ##

*  [https://www.cnblogs.com/anliven/p/10347273.html][https_www.cnblogs.com_anliven_p_10347273.html]
 *  理解多类别分类问题，尤其是 Softmax。
 *  在 TensorFlow 中制定 Softmax 解决方案。

## 机器学习入门17 - 嵌套 (Embedding) ##

*  [https://www.cnblogs.com/anliven/p/10347306.html][https_www.cnblogs.com_anliven_p_10347306.html]
 *  嵌套的定义和用途。
 *  嵌套如何编码语义关系。
 *  如何使用嵌套。
 *  如何训练有意义的嵌套（例如使用 word2vec）。

## 机器学习入门18 - 生产机器学习系统(Production ML Systems) ##

*  [https://www.cnblogs.com/anliven/p/10349462.html][https_www.cnblogs.com_anliven_p_10349462.html]
 *  了解生产环境机器学习系统中组件的跨度范围。
 *  识别静态训练与动态训练的优缺点。
 *  了解静态推理和动态推理的优缺点。
 *  评估现实世界情形的训练和应用需求。
 *  了解生产机器学习系统中的数据依赖关系。

转载于:https://www.cnblogs.com/anliven/p/10352770.html

[https_www.cnblogs.com_anliven_p_6107783.html]: https://www.cnblogs.com/anliven/p/6107783.html
[https_www.cnblogs.com_anliven_p_10252938.html]: https://www.cnblogs.com/anliven/p/10252938.html
[https_www.cnblogs.com_anliven_p_10253210.html]: https://www.cnblogs.com/anliven/p/10253210.html
[https_www.cnblogs.com_anliven_p_10258292.html]: https://www.cnblogs.com/anliven/p/10258292.html
[https_www.cnblogs.com_anliven_p_10264318.html]: https://www.cnblogs.com/anliven/p/10264318.html
[https_www.cnblogs.com_anliven_p_10264475.html]: https://www.cnblogs.com/anliven/p/10264475.html
[https_www.cnblogs.com_anliven_p_10280028.html]: https://www.cnblogs.com/anliven/p/10280028.html
[https_www.cnblogs.com_anliven_p_10280117.html]: https://www.cnblogs.com/anliven/p/10280117.html
[https_www.cnblogs.com_anliven_p_10280203.html]: https://www.cnblogs.com/anliven/p/10280203.html
[https_www.cnblogs.com_anliven_p_10288612.html]: https://www.cnblogs.com/anliven/p/10288612.html
[https_www.cnblogs.com_anliven_p_10301588.html]: https://www.cnblogs.com/anliven/p/10301588.html
[https_www.cnblogs.com_anliven_p_10328363.html]: https://www.cnblogs.com/anliven/p/10328363.html
[https_www.cnblogs.com_anliven_p_10336463.html]: https://www.cnblogs.com/anliven/p/10336463.html
[https_www.cnblogs.com_anliven_p_10344515.html]: https://www.cnblogs.com/anliven/p/10344515.html
[https_www.cnblogs.com_anliven_p_10344698.html]: https://www.cnblogs.com/anliven/p/10344698.html
[https_www.cnblogs.com_anliven_p_10347254.html]: https://www.cnblogs.com/anliven/p/10347254.html
[https_www.cnblogs.com_anliven_p_10347273.html]: https://www.cnblogs.com/anliven/p/10347273.html
[https_www.cnblogs.com_anliven_p_10347306.html]: https://www.cnblogs.com/anliven/p/10347306.html
[https_www.cnblogs.com_anliven_p_10349462.html]: https://www.cnblogs.com/anliven/p/10349462.html