無需置疑,數學基礎和理論知識在機器學習中扮演十分重要的角色!提升數學理論水平對於提高自身的機器學習水平非常有幫助!
然而,對於大部分初學者來說,理論部分太難往往會削弱學習的積極性。在學習的時候,必須要平衡理論難度與易用性二者之間的關係。
因此,本文推薦一份非常不錯的《A Comprehensive Guide to Machine Learning》,中文譯為:《機器學習全面指南》。
這份《機器學習全面指南》的作者是來自伯克利電氣工程與電腦科學系的 Soroush Nasiriany, Garrett Thomas, William Wang, Alex Yang, Jennifer Listgarten, Anant Sahai。該書釋出於 2019 年 11 月,可以說是非常新的了。
這本書最大的特點就是短小精悍,全書總共只有 118 頁,內容精簡,對於初學者非常友好,只介紹機器學習一些基礎的核心的理論知識,做到了麻雀雖小,五臟俱全!
全書總共有 8 章,涉及的主要內容包括:迴歸、降維、神經網路、分類、聚類、決策樹、深度學習等。具體目錄如下:
該書雖然篇幅不多,但是內容做到了精簡。而且主要重點是介紹機器學習理論知識。這可以說是彌補了我們在學習中的一些理論盲點,重點解釋常見的機器學習中的數學知識。對於提高 AI “軟實力”非常有幫助!
例如,書中對 LASSO 迴歸和 rige 迴歸做了非常形象的解釋:
上圖中左邊對應的是 L1 正則化,右邊對應的是 L2 正則化,滿足正則化條件,對於 L2 來說,限定區域是圓,這樣,得到的解 w1 或 w2 為 0 的概率很小,很大概率是非零的。對於 L1 來說,限定區域是正方形,方形與藍色區域相交的交點是頂點的概率很大,這從視覺和常識上來看是很容易理解的。這樣,得到的解 w1 或 w2 為零的概率就很大了。所以,L1 正則化的解具有稀疏性。
關於 L1 正則化和 L2 正則化的詳細解釋,可以看下這篇文章:
關於這本《機器學習全面指南》,也是 CS189 講義。其官網可以訪問下面的網址:
http://www-inst.eecs.berkeley.edu/~cs189/archives.html
資源下載:
為了節約大家的時間,小編已經將這份《機器學習數學基礎》電子版 PDF 打包好了。獲取步驟如下:
- 掃描下方二維碼關注 “程式設計師愛碼士” 公眾號
-
公眾號後臺回覆關鍵詞:CGML