0
0

吴恩达机器学习丨思维导图丨坚持打卡23天——构建知识脉络，回顾总结复盘

Author：AXYZdong 自动化专业 工科男
有一点思考，有一点想法，有一点理性！

定个小小目标，努力成为习惯！在最美的年华遇见更好的自己！

CSDN@AXYZdong，CSDN首发，AXYZdong原创
唯一博客更新的地址为： 👉 AXYZdong的博客 👈
B站主页为：AXYZdong的个人主页

文章目录

0. 前言

机器学习是目前信息技术中最激动人心的方向之一。本文以吴恩达老师的机器学习课程为主线，使用 Process On 在线绘图构建机器学习的思维导图。

1. 思维导图使用说明

配合吴恩达老师的机器学习视频使用，构建知识脉络，回顾总结复盘。

全部思维导图在线浏览：吴恩达机器学习丨思维导图丨ProcessOn

***需要浏览全图的同学关注 

AXYZdong

公众号，回复 

机器学习

获取密码哦！***

2. 思维导图主要内容

引言（Introduction）

监督学习部分：

  1. 单变量线性回归（Linear Regression with One Variable）
  2. 多变量线性回归（Linear Regression with Multiple Variables）
  3. 逻辑回归（Logistic Regression）
  4. 正则化（Regularization）
  5. 神经网络：表述（Neural Networks:Representation）
  6. 神经网络：学习（Neural Networks:Learning）
  7. 支持向量机（Support Vector Machines）

无监督学习部分：

  1. 聚类（Clustering）
  2. 降维（Dimensionality）
  3. 异常检测（Anomaly Detection）

特殊应用：

  1. 推荐系统（Recommender Systems）
  2. 大规模机器学习（Large Scale Machine Learning）

关于建立机器学习系统的建议：

  1. 应用机器学习的建议（Advice for Applying Machine Learning）
  2. 机器学习系统的设计（Machine Learning System Design）
  3. 应用实例：图片文字识别（Application Example: Photo OCR）

3. 思维导图正文

0. 引言（Introduction）

引言部分主要介绍了机器学习的定义、机器学习的相关算法、监督学习和无监督学习。

关于机器学习没有一个统一的定义，下面两条是视频中提到两位学者对机器学习的理解。

  • Arthur Samuel (1959). Machine Learning: Field of study that gives computers the ability to learn without being explicitly programmed.
  • Tom Mitchell (1998). Well-posed Learning Problem: A computer program is said to learn from experience E with respect to some task Tand some performance measure P, if its performance on T, as measured by P, improveswith experience E.

在这里插入图片描述

▲ Part0 Introduction

1. 单变量线性回归（Linear Regression with One Variable）

这部分主要内容包括单变量线性回归的模型表示、代价函数、梯度下降法和使用梯度下降法求解代价函数的最小值。
​
在这里插入图片描述

▲ Part1 Linear Regression with One Variable

2. 多变量线性回归（Linear Regression with Multiple Variables）

多变量线性回归相当于是单变量的扩展，主要还是按照模型假设、构造代价函数和研究代价函数的最小值这样的思路展开。

与单变量线性回归不同的是，多变量线性回归还可能涉及到特征缩放的问题，主要原因是存在着不同尺度的特征变量，为了使得梯度下降能够快速地收敛，需要将这些特征变量统一尺度（类似于归一化的思想）

相比于单变量线性回归，多变量线性回归在求解代价函数的特征方程时，除了可以使用梯度下降法，还可以使用正则方程。根据特征变量的多少，灵活地选择这两种方法。
​
在这里插入图片描述

▲ Part2 Linear Regression with Multiple Variables

3. 逻辑回归（Logistic Regression）

这里的“回归”不同于线性回归，是一种习惯的叫法。它实质是分类，要预测的变量是离散的值。

在这里插入图片描述

▲ Part3 Logistic Regression

4. 正则化（Regularization）

正则化（Regularization）的提出，主要是解决过拟合（over-fitting）的问题。包括线性回归的正则化和逻辑回归的正则化，其本质是通过加入正则化项来保留所有的特征，同时减小参数（特征变量前的系数）的大小。

一个假设在训练数据上能够获得比其他假设更好的拟合， 但是在训练数据外的数据集上却不能很好地拟合数据，此时认为这个假设出现了过拟合的现象。出现这种现象的主要原因是训练数据中存在噪音或者训练数据太少。
​
在这里插入图片描述

▲ Part4 Regularization

5. 神经网络：表述（Neural Networks:Representation）

神经网络（Neural Networks）的简要表述，涉及非线性假设、神经网络的模型表示、神经网络的直观理解以及多元分类等内容。

当特征太多时，普通的逻辑回归模型，不能有效地处理这么多的特征，这时候我们需要神经网络。
​
在这里插入图片描述

▲ Part5 Neural Networks:Representation

6. 神经网络：学习（Neural Networks:Learning）

神经网络（Neural Networks）的代价函数，梯度下降寻求代价函数的最小值，利用反向传播算法（Backpropagation Algorithm）算出梯度下降的方向。

采用梯度的数值检验（Numerical Gradient Checking） 方法，防止代价看上去在不断减小，但最终的结果可能并不是最优解的问题。

如果让初始参数都为0，那么第二层的激活单元将具有相同的值。因此需要初始化参数，采用随机初始化的方法，Python代码如下：

Theta1 = rand(10,11)*(2*eps)- eps

在这里插入图片描述

▲ Part6 Neural Networks:Learning Learning

7. 应用机器学习的建议（Advice for Applying Machine Learning）

  • 运用训练好了的模型来预测未知数据的时候发现有较大的误差，下一步应该做什么？运用诊断法判断哪些方法对我们的算法是有效的。
  • 利用训练集和测试集评估假设函数是否过拟合，训练集代价函数最小化得到的参数代入测试集代价函数。
  • 交叉验证集来帮助选择模型。诊断偏差和方差，算法表现不理想， 要么是偏差比较大，要么是方差比较大。换句话说，出现的情况要么是欠拟合，要么是过拟合问题。
  • 学习曲线将训练集误差和交叉验证集误差作为训练集实例数量（m）的函数绘制的图表。 ​在这里插入图片描述▲ Part7 Advice for Applying Machine Learning

8. 机器学习系统的设计（Machine Learning System Design）

这部分主要内容是误差分析、类偏斜的误差度量 、查准率和查全率之间的权衡和机器学习的数据 。
​
在这里插入图片描述

▲ Part8 Machine Learning System Design

9. 支持向量机（Support Vector Machines）

支持向量机(Support Vector Machines)实质上是优化逻辑回归中的目标函数，将含有的log项用cost函数代替。

支持向量机用一个最大间距来分离样本，具有鲁棒性，有时被称为大间距分类器。

将核函数(Kernel) 引入支持向量机SVM中，从而代替了对应的高维向量内积。
​
在这里插入图片描述

▲ Part9 Support Vector Machines

10. 聚类（Clustering）

聚类（Clustering）无监督学习的一种。

重点算法：K-均值算法。K-Means 是最普及的聚类算法，算法接受一个未标记的数据集，然后将数据聚类成不同的组。

在这里插入图片描述

▲ Part10 Clustering

11. 降维（Dimensionality）

降维（Dimensionality）主要用于数据压缩和数据可视化，也是无监督学习的一种。

重要算法：主成分分析 PAC（Principal Component Analysis）算法。

在这里插入图片描述

▲ Part11 Dimensionality

12. 异常检测（Anomaly Detection）

这部分主要包括高斯分布（Gaussian Distribution），使用高斯算法进行异常检测，特征转换将原始数据转换成高斯分布。

重要算法：高斯（Gaussian ）算法。

在这里插入图片描述

▲ Part12 Anomaly Detection

13. 推荐系统（Recommender Systems）

这部分内容包括：基于内容的推荐系统、协同过滤 （Collaborative Filtering）、矢量化：低秩矩阵分解 、实施细节：均值归一化 。

重要算法：协同过滤 （Collaborative Filtering）算法。

在这里插入图片描述

▲ Part13 Recommender Systems

14. 大规模机器学习（Large Scale Machine Learning）

主要内容：随机梯度下降法（Stochastic Gradient Descent）、小批量梯度下降（Mini-Batch Gradient Descent） 、随机梯度下降算法的收敛 、在线学习（Online Learning）和 映射简化和数据并行（Map Reduce and Data Parallelism）。

在这里插入图片描述

▲ Part14 Large Scale Machine Learning

15. 应用实例：图片文字识别（Application Example: Photo OCR）

关注图片文字识别的步骤 和 滑动窗口（Sliding Windows）的使用。

在这里插入图片描述

▲ Part15 Application Example: Photo OCR

16. 总结（Conclusion）

在这里插入图片描述

▲ Part16 Conclusion

4. 关于标题中“坚持打卡23天”

Blink 坚持打卡23天

在这里插入图片描述

▲ Blink 打卡23天

5. 参考文献

[1]：[中英字幕]吴恩达机器学习系列课程
[2]：fengdu78, Coursera-ML-AndrewNg-Notes, (2018), GitHub repository, https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

**  本次的分享就到这里**

11

如果我的博客对你有帮助、如果你喜欢我的博客内容，请 **

“点赞” “收藏” “关注”

** 一键三连哦！

更多精彩内容请前往 AXYZdong的博客

如果以上内容有任何错误或者不准确的地方，欢迎在下面 👇 留个言。或者你有更好的想法，欢迎一起交流学习~~~

标签： 机器学习 人工智能
本文转载自: https://blog.csdn.net/qq_43328313/article/details/122813127
版权归原作者 AXYZdong 所有， 如有侵权，请联系我们删除。
登录后发布评论

“吴恩达机器学习丨思维导图丨坚持打卡23天——构建知识脉络，回顾总结复盘”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

网络安全法-网络运行安全

使用selenium/drissionpage时如何阻止chrome自动跳转http到https

docker desktop 里部署的Open WebUI 管理员密码忘记了的处理方法

在ubuntu20.04中搭建onsite比赛运行环境

利用开源的低代码表单设计器FcDesigner高效管理和渲染复杂表单结构

Kafka学习笔记

【前端】浏览器输入url到页面呈现发生了什么？

文章导航