机器学习中许多最重要概念路线图,如何学习它们以及使用什么工具来执行它们。

即:

🤔机器学习问题, 机器学习问题是什么样子? ♻️机器学习过程—一旦你发现一个问题,你会采取什么步骤来解决吗? 🛠—你该怎么使用机器学习工具来构建解决方案吗? 🧮机器学习数学,哪些部分机器学习代码要你写? 📚机器学习资源——好吧, 很酷,我该如何学习呢?

地址:

https://github.com/mrdbourke/machine-learning-roadmap

成为VIP会员查看完整内容
0
65

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

本课程的教材是从机器学习的角度写的,是为那些有必要先决条件并对学习因果关系基础感兴趣的人而开设的。我尽我最大的努力整合来自许多不同领域的见解,利用因果推理,如流行病学、经济学、政治学、机器学习等。

有几个主要的主题贯穿全课程。这些主题主要是对两个不同类别的比较。当你阅读的时候,很重要的一点是你要明白书的不同部分适合什么类别,不适合什么类别。

统计与因果。即使有无限多的数据,我们有时也无法计算一些因果量。相比之下,很多统计是关于在有限样本中解决不确定性的。当给定无限数据时,没有不确定性。然而,关联,一个统计概念,不是因果关系。在因果推理方面还有更多的工作要做,即使在开始使用无限数据之后也是如此。这是激发因果推理的主要区别。我们在这一章已经做了这样的区分,并将在整本书中继续做这样的区分。

识别与评估。因果效应的识别是因果推论所独有的。这是一个有待解决的问题,即使我们有无限的数据。然而,因果推理也与传统统计和机器学习共享估计。我们将主要从识别因果效应(在第2章中,4和6)之前估计因果效应(第7章)。例外是2.5节和节4.6.2,我们进行完整的例子估计给你的整个过程是什么样子。

介入与观察。如果我们能进行干预/实验,因果效应的识别就相对容易了。这很简单,因为我们可以采取我们想要衡量因果效应的行动,并简单地衡量我们采取行动后的效果。观测数据变得更加复杂,因为数据中几乎总是引入混杂。

假设。将会有一个很大的焦点是我们用什么假设来得到我们得到的结果。每个假设都有自己的框来帮助人们注意到它。清晰的假设应该使我们很容易看到对给定的因果分析或因果模型的批评。他们希望,清晰地提出假设将导致对因果关系的更清晰的讨论。

成为VIP会员查看完整内容
0
83

EPFL博士Evann Courdier带你1小时学习Pytorch!

Evann Courdier (Idiap - EPFL)

EPFL的法国博士生,从事无人机快速图像分割网络的研究。巴黎理工大学获得了通用工程硕士学位,在巴黎ENS大学获得了数学和机器学习的第二个硕士学位。我在2019年和2020年在AMLD学习过Pytorch入门教程——我已经使用Pytorch大约5年了。我也是EPFL深度学习讲座的助理讲师。

深度学习Pytorch

这个PyTorch的介绍,我们将在一个小时内浓缩所有PyTorch的基本知识。我们将研究经典的深度学习训练循环,并解释如何使用PyTorch实现每个组件,从数据查询器到梯度计算,再到学习率调度器。最后,您将对Pytorch提供的可用DL工具有一个概述,并且您将能够编写和理解常见的Pytorch代码。

目录内容:

  • Python
  • 基于梯度的机器学习
  • 数值计算工具
成为VIP会员查看完整内容
0
105

本教程对基于模型的强化学习(MBRL)领域进行了广泛的概述,特别强调了深度方法。MBRL方法利用环境模型来进行决策——而不是将环境视为一个黑箱——并且提供了超越无模型RL的独特机会和挑战。我们将讨论学习过渡和奖励模式的方法,如何有效地使用这些模式来做出更好的决策,以及规划和学习之间的关系。我们还强调了在典型的RL设置之外利用世界模型的方式,以及在设计未来的MBRL系统时,从人类认知中可以得到什么启示。

https://sites.google.com/view/mbrl-tutorial

近年来,强化学习领域取得了令人印象深刻的成果,但主要集中在无模型方法上。然而,社区认识到纯无模型方法的局限性,从高样本复杂性、需要对不安全的结果进行抽样,到稳定性和再现性问题。相比之下,尽管基于模型的方法在机器人、工程、认知和神经科学等领域具有很大的影响力,但在机器学习社区中,这些方法的开发还不够充分(但发展迅速)。它们提供了一系列独特的优势和挑战,以及互补的数学工具。本教程的目的是使基于模型的方法更被机器学习社区所认可和接受。鉴于最近基于模型的规划的成功应用,如AlphaGo,我们认为对这一主题的全面理解是非常及时的需求。在教程结束时,观众应该获得:

  • 数学背景,阅读并跟进相关文献。
  • 对所涉及的算法有直观的理解(并能够访问他们可以使用和试验的轻量级示例代码)。
  • 在应用基于模型的方法时所涉及到的权衡和挑战。
  • 对可以应用基于模型的推理的问题的多样性的认识。
  • 理解这些方法如何适应更广泛的强化学习和决策理论,以及与无模型方法的关系。
成为VIP会员查看完整内容
0
73

从这些令人兴奋的课程中学习,让自己沉浸在深度学习、强化学习、机器学习、计算机视觉和NLP中!!

成为VIP会员查看完整内容
0
86

本书通过提供真实的案例研究和示例,为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级机器学习概念,如决策树学习、随机森林、增强、推荐系统和文本分析。这本书在理论理解和实际应用之间采取了一种平衡的方法。所有的主题都包括真实世界的例子,并提供如何探索、构建、评估和优化机器学习模型的逐步方法。

成为VIP会员查看完整内容
Machine Learning using Python by Manaranjan Pradhan.pdf
0
205
小贴士
相关VIP内容
专知会员服务
83+阅读 · 2020年9月1日
专知会员服务
40+阅读 · 2020年8月30日
专知会员服务
68+阅读 · 2020年8月15日
专知会员服务
73+阅读 · 2020年7月20日
专知会员服务
116+阅读 · 2020年5月22日
【干货书】机器学习Python实战教程,366页pdf
专知会员服务
205+阅读 · 2020年3月17日
相关资讯
Python机器学习课程(代码与教程)
专知
19+阅读 · 2019年5月13日
春招已近,这份GitHub万星的ML算法面试大全请收下
全球人工智能
4+阅读 · 2019年2月22日
程序员精选:TensorFlow和ML前5名的课程
云栖社区
6+阅读 · 2018年8月27日
ML通用指南:文本分类详细教程(上)
论智
18+阅读 · 2018年7月29日
无需一行代码就能搞定机器学习的开源神器
人工智能头条
4+阅读 · 2017年11月7日
干货|7步让你从零开始掌握Python机器学习!
全球人工智能
6+阅读 · 2017年9月24日
150 多个 ML、NLP 和 Python 相关的教程
Python开发者
12+阅读 · 2017年8月15日
相关论文
Bernhard Schölkopf
9+阅读 · 2019年11月24日
Jiaming Shen,Zeqiu Wu,Dongming Lei,Jingbo Shang,Xiang Ren,Jiawei Han
3+阅读 · 2019年10月17日
Yiming Cui,Wanxiang Che,Ting Liu,Bing Qin,Ziqing Yang,Shijin Wang,Guoping Hu
11+阅读 · 2019年6月19日
Jonghwan Mun,Linjie Yang,Zhou Ren,Ning Xu,Bohyung Han
7+阅读 · 2019年4月8日
Area Attention
Yang Li,Lukasz Kaiser,Samy Bengio,Si Si
4+阅读 · 2019年2月5日
Alexander Fritzler,Varvara Logacheva,Maksim Kretov
6+阅读 · 2018年12月14日
A Survey of Learning Causality with Data: Problems and Methods
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
7+阅读 · 2018年9月25日
Antoine J. -P. Tixier
10+阅读 · 2018年8月30日
AJ Piergiovanni,Michael S. Ryoo
5+阅读 · 2018年4月9日
Henggang Cui,Gregory R. Ganger,Phillip B. Gibbons
3+阅读 · 2018年3月20日
Top