机器学习算法

机器通过分析大量数据来进行学习。比如说，不需要通过编程来识别猫或人脸，它们可以通过使用图片来进行训练，从而归纳和识别特定的目标。

我将机器学习算法视为瑞士军刀。 有许多不同的算法。 某些任务需要使用特定的算法，而某些任务可以使用许多不同的算法来完成。 性能可能会根据任务和数据的特征而变化。在本文中，我将分享16个技巧，我认为这些技巧将帮助您更好地理解算法。 我的目的不是要详细解释算法如何工作。 我宁愿提供一些有关它们的提示或细节。

机器学习是通过算法使得机器从大量历史数据中学习规律，从而对新样本做分类或者预测。一个机器学习过程主要分为三个阶段：（1）训练阶段，训练阶段的主要工作是根据训练数据建立模型。（2）测试阶段，测试阶段的主要工作是利用验证集对模型评估与选择。（3）工作阶段，工作阶段的主要工作是利用建立好的模型对新的数据进行预测与分类。

K近邻法(k-nearst neighbors,KNN)是一种很基本的机器学习方法。它的基本思想是： 在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类。

算法公式挺费神，机器学习太伤人。任何一个刚入门机器学习的人都会被复杂的公式和晦涩难懂的术语吓到。但其实，如果有通俗易懂的图解，理解机器学习的原理就会非常容易。本文整理了一篇博客文章的内容，读者可根据这些图理解看似高深的机器学习算法。

对于很多算法工程师来说，超参数调优是件非常头疼的事，这项工作比较玄学。除了根据经验设定所谓的“合理值”之外，一般很难找到合理的方法去寻找超参数的最优值。而与此同时，超参数对于模型效果的影响又至关重要。那么有没有一些可行的办法进行超参数调优呢？

随着训练过程的进行，模型复杂度，在training data上的error渐渐减小。可是在验证集上的error却反而渐渐增大——由于训练出来的网络过拟合了训练集，对训练集以外的数据却不work。

贝叶斯个性化排序(Bayesian Personalized Ranking, 以下简称BPR)，它也用到了矩阵分解，但是和funkSVD家族却有很多不同之处。本文我们来详细讨论。

在学习机器学习算法的过程中，我们经常需要数据来验证算法，调试参数。但是找到一组十分合适某种特定算法类型的数据样本却不那么容易。还好numpy, scikit-learn都提供了随机数据生成的功能，我们可以自己生成适合某一种模型的数据，用随机数据来做清洗，归一化，转换，然后选择模型与算法做拟合和预测。

该内容是Kailash Ahirwar首发在Github的，以下是GitHub链接：https://github.com/kailashahirwar/cheatsheets-ai 。对新手来说，学习机器学习和深度学习是比较困难的，各种深度学习库也是比较难理解，所以，我(原作者)创建了这个机器学习和深度学习速查表，希望对多家有帮助：