看完这13张图，不得不佩服还是外国人会玩人工智能

由于在机器学习上浸淫多年，累积了丰富的知识，Chris便将自己所识所学浓缩在一张张短小精悍的卡片中，并且在Twitter上不定期地更新卡片内容。

Chris本人

众所周知，机器学习是由计算机、科学统计学和数学共同支撑起的一个广阔领域，有数百个概念要学习，这些卡片旨在帮助你速记机器学习中的关键概念。

每一张卡片都包含一个机器学习概念，用图片搭配文字解释的方式生动地向你阐述概念背后的基础思路，范围从数学基础横跨到大热的深度学习。

这些公式由Chris先手工绘制，再数据化转换成你面前的一张张图片，比起一页页地翻教科书更轻松偷♂税。

你甚至能把图片复制进手机，哪里不会点哪里，路上通勤的时候也能随手翻看，这总比背英语单词有趣多了吧！

到底愉不愉悦？优达君花了点时间金钱集齐了这套卡片，并辛苦地做了汉化，同时对一些作者没讲到或者不全面的知识做了补充。今天先发一些给大家感受下，如果觉得好玩且有帮助，可以直接翻到文末，查看小卡片领取方法。

准确率：分类问题中的常见度量方法。当我们有极为不平衡的分类时则不能奏效。这种情况下使用F1分数更为合适。

自适应提升算法：

1、为每一个观测值Xi赋一个初始的权重值，Wi = 1/n，n是观测值总数。

2、训练一个“弱”模型。（通常是决策树）

3、对于每一个观测值：

     a)      如果预测值错误，Wi增加

     b)      如果预测值正确，Wi减少

4、训练一个新的弱模型，其中，有更高权重的观测值获得更高优先级。

5、重复第3、4步，直到观测值都能被完美预测出来或者预设数量的树都被训练完了。

调整R平方：

直观上：一旦所有正确的特征都已经加上，额外的特征应该被惩罚。

（优达菌注：调整R平方有最大值，在此最大值下有最好的特征组合，常用于特征选择。）

凝聚型聚类：所有的观测值初始自成一个聚类。根据一些标准，聚类间相互合并。不断重复这一过程，直到到达某一终点。

AIC(Akaike information criterion)：在特征选择时用于比较哪个模型更好。AIC越小越好。

几乎处处：根据度量理论，一个几乎处处成立的性质对所有事物都是正确的，但是一些先锋案例就会自然地忽略掉。

岭回归中的Alpha，不懂看图。

安斯库姆四重奏：安斯库姆四重奏用4组完全不同的数据，得出相同的汇总统计和回归线。这是对汇总统计的警示。

神经网络架构：

           神经网络架构指单元，他们的激活函数，有几层等等。

           大多数的神经网络架构可被理解为单元堆积层。

           某一问题的最好架构应该通过使用验证集试验后找到。

AUC：ROC曲线代表二分类器中真正类比例和假正类比例的概率阈值。AUC能评判模型的整体质量。AUC越高越好。

分享朋友圈 也是另一种赞赏

The more we share, The more we have

 

欢迎加入数据君高效数据分析社区

加我私人微信进入大数据干货群：tongyuannow 

目前100000+人已关注加入我们