Автор оригинала: FreeCodeCapm Team.
Шуби Астхана
Когда я начал изучать обучение машины (ML) на два года назад, у меня было много вопросов, которые использовали, какие алгоритмы использовать, как коррелировать его на наборы данных и т. Д. Ответ зависел от многих факторов, таких как размер данных, ожидаемый выход, и доступных вычислений Ресурсы. Затем я был представлен в ML чис-листы, которые знакомят меня с часто используемыми алгоритмами, пакетами и функциями.
Этот пост содержит три лучших читных листа, которые я бы порекомендовал для новичка, который заинтересован в выявлении и применении алгоритмов ML для разных проблем. Учитывая, как быстро развивается этот домен, также прогрессирует алгоритмы тренды. Следовательно, важно понимать алгоритмы, которые помогают соответствуют областям контролируемого и безоговорочного обучения, классификации и регрессии и так далее.
SAS алгоритм блок-схема
Источник: https://blogs.sas.com/content/subconscousmusions/2017/04/12/machine-learning-algorithm-use/
Сам блог SAS является отличным чтением. Ссылка показывает, как использовать чит-лист, а также соображения при выборе алгоритма. Чит-лист показывает простые в использовании блок-схема корреляции данных в алгоритмы.
Python и Scikit Cheat Pheets
Большинство разработчиков работают на языке Python или R для реализации алгоритмов ML. Я работаю в Python, и поэтому следующие две чит-листы были очень полезны для меня.
Источник: https://s3.amazonaws.com/assets.datacamp.com/blog_assets/pythonfordatasciscience.pdf.pdf.
Чип Python Cheat был подготовлен Datacamp и может быть использован в качестве краткой ссылки на направляющую через ML Python Packages и структуры данных.
Источник: https://s3.amazonaws.com/assets.datacamp.com/blog_assets/scikit_learn_cheat_sheet_Python.pdf.
Scikit-Suart – это библиотека Python с открытым исходным кодом, которая реализует широкий спектр ML, предварительная обработка данных и перекрестная проверка, а также визуализация алгоритмов. Эта библиотека принадлежит к тому, что должен знать каждый ученый для начинающих данных, поэтому я настоятельно рекомендую этот чит-лист.
Удобное пользовательская карта обучения
Источник: http://scikit-learn.org/stable/tutorial/machine_learning_map/
Этот чит-лист доступен на учебных пособиях по изучению Scikit и является одним из самых простых блок-схем, чтобы понять и использовать. На ссылке выше у вас есть полный поток для решения проблемы ML, и вы также можете нажать на любой алгоритм на карте, чтобы понять его реализацию.
Поделиться и учиться! Добавьте свой любимый чит-лист в комментариях ниже.