Machine Learning 科技小本子

包含架构的优点是什么？

Quora的其他部分对此问题也有一些很好的答案，例如：包容性体系结构方法是否是构建智能机器人的有效方法，这种方法是否存在任何潜在障碍？总体而言，主要优点是它使将不同行为要素分离到单独的层中相对容易，并且您可以潜在地在机器人之间重用行为的中间层。相对复杂的行为是由相对简单的各个层之间的交互产生的。原始论文是“针对移动机器人的鲁棒分层控制系统”，IEEE机器人与自动化学报，1986年（可从http://ieeexplore.ieee.org/xpls/…获得）。您也可以在这里找到免费的副本：http://dspace.mit.edu/bitstream/…

Perceptron权重更新公式w = w + yx背后的直觉是什么？

我假设您在问为什么要使用此公式？尽管在这个问题上看起来很笨拙。它应该是： w1 = w0 + a（d – y）x 其中，w1 =权重已更新 w0 =当前重量 a =学习率 d…

在数学优化中，为什么有人将梯度下降用于凸函数？他们为什么不只找到此函数的派生，然后以传统方式寻找最小值？

我认为问题有两个部分：为什么不简单地使用[数学] \ nabla F（x）= 0 [/数学]来找出凸函数的最小值？我要说的是，相反，将导数设置为零实际上是在无约束问题中找到凸函数最小值的一种常用技术。统计和控制领域的例子比比皆是。考虑普通最小二乘（OLS）公式： [数学] \ hat \ beta =（X ^ TX）^…

雾化喷嘴是什么意思？

它使水以雾状而不是溪流形式释放，这是简化的说明，此外，您不妨查看一下雾化喷嘴 http://www.spray-nozzle.net/prod… 从中您可以获得辅助的倾斜材料，以进一步了解雾化喷嘴

关于社交数据的一些机器学习计划是什么？

机器学习在社交网络上有大量潜在应用，其中有一些特别活跃：链接预测：给定观察到的友谊，人际关系网络，建议新的联系，推断潜在链接等。Facebook，LinkedIn和Twitter都有自己的“您可能认识的人”功能，并且在机器学习中也是一个活跃的研究主题，通常被称为从关系数据或链接预测中学习。即使在今年的ICML上，也有数篇论文涉及此问题，请在此列表中搜索“链接预测”以获取指针：http://icml.cc/2012/papers/ 推断影响力，预测信息传播：目前，这方面对商业（对口碑营销很有用），政治（以政治信息为最佳目标）和学术界非常感兴趣。基本上，您想从数据中推断出谁有能力影响他人并在选定的主题中发表意见，以及如果您想在给定的影响力网络中最大化信息的有效覆盖面，则要针对哪些人群。 Manuel Gomez Rodriguez，Jure Leskovec，Lada Adamic和Sinan Aral致力于这个主题，PeerIndex（我们的公司），Facebook和其他地方的机器学习团队也是如此。情绪分析：弄清楚当某人在社交媒体中对某事说某件事时，它是正面还是负面的信息。然后，您可以进一步分析整个网络上的总体情绪，并尝试建模和预测其随着时间的变化。有些人喜欢将社交网络中与上市公司相关的情绪与股价变化相关联的想法，例如，Twitter情绪分析可以指导股市投资吗？集群化和可视化：社交网络中的无监督学习，降维和可视化可以做很多事情。您可以根据人们的联系，特征，兴趣等对他们进行聚类。可以使用各种度量或非度量嵌入技术来可视化人们的社区。

如果我的目标是专门用于机器学习，那么学习Python的最佳方法是什么？

既然有很多学习Python的出色指南，那么再写一本也没有意义。让我们关注生产力技巧。从Python 3开始。始终使用最新的稳定版本。由于残酷的开发实践和懒惰，许多地方仍支持Python 2。除了提高性能外，您还将获得更好的基础架构和更愉快的开发体验。不用担心最好的工具。没有最好的IDE。您得到的不是您要付的钱，而是您自己配置的东西。用于学习的笔记本（Jupyter），用于开发的文本编辑器（Vim / Emacs）。花一些时间来阅读更多有关您选择的内容的信息。在学习ML之前，请通过教科书和官方Python文档以通常的方式学习基础知识。毕竟，进行ML与其他任何开发都没有不同。很好地了解框架。…

您将为初学者自己学习机器学习提供什么建议？

我想我可以回答这个问题；我自己才刚刚开始学习ML。最重要的先决条件之一就是理论背景。我知道它听起来不像使用Python创建对象检测器那样浮华，但从长远来看，请相信我-这不是强制性的。在理论背景上，我将重点介绍构成整个机器学习框架的两个数学主题。即，它们是：统计中的概率线性代数凸优化的一点点（现在）随机过程和动态过程您将在任何在线/离线ML课程中以背景/入门资料的形式针对每个主题遇到简单的教程。在上大学之前，我自己用过吴安国的讲义。我之所以强调要加强这一方面的原因是因为大多数人都通过创建分类器并将其应用于Web界面来创建一个很酷的Web App来理解机器学习。出于学术目的，必须理解每种算法背后的数学知识，这对于任何形式的理论或应用创新都是必需的。完成此操作后，您就可以开始学习机器学习的在线/课堂课程。在这里，您必须执行一些合理的实施，这可以使您深入了解学习系统的行为并熟悉战场。…

我需要学习和做些什么来建立自己的数据科学职业？

数据科学就像一个笼统的术语，数学，统计学和其他许多科学家将科学方法应用于数据集。科学家运用这些工具从数据中提取知识。术语“数据科学家”是IT领域最热门的职位-起薪与之匹配。数据科学家是大数据争吵者。他们采用了大量凌乱的数据点（非结构化和结构化），并以其强大的数学，统计和编程技能来清理，按摩和组织它们。然后，他们运用所有分析能力来发现针对业务挑战的隐藏解决方案，并将其呈现给业务。换句话说，数据科学家利用他们的统计知识和建模知识将数据转换为对从产品开发到客户留存再到新的商机的一切内容具有可行性的见解。让我们来看看成为数据科学家所需的技能数据科学家可能会被要求：进行无方向的研究并提出开放性行业问题从多个内部和外部源中提取大量数据数据科学使用机器学习来提取信息数据科学家根据过去的模式来预测未来，因此数据科学家应该进行强有力的预测分析。数据挖掘，情感分析和数学的完美需要业务决策使用复杂的分析程序，机器学习和统计方法来准备数据以用于预测性和规范性建模彻底清理和修剪数据以丢弃不相关的信息数据分析和模式匹配工具这取决于您的统计知识水平。…

MapReduce，人工智能和机器学习之间有什么区别？或者更确切地说，它们是如何关联的？

MapReduce –一种工程解决方案，用于处理海量数据集上的操作（如排序，搜索等）。想象一下，如果您想对1000个字符串进行排序。它在一台计算机上既简单又可行。想想同样的问题，但是有十亿个字符串。不容易。您将遇到各种处理和内存问题。通常，我们可以凭直觉执行的操作是–将其分为1000个计算，让每个处理100万个字符串，然后逐步汇总结果。但是有1000台计算机。一两个将失败，硬盘将崩溃，该发生。那么，您如何智能地处理那些数据不会丢失并且其他计算机将“共享该负载”呢？输入mapreduce。简洁的抽象，最终用户不必考虑负载共享，容错，数据复制等所有这些内部问题。您只需给它1000台机器，以map-reduce的方式编写“函数”，然后瞧，它将为您完成这项工作。机器学习–从数据中学习并从中获得新见解的科学。它是AI的一部分。现在假设这十亿个字符串来自不同类型（惊悚，小说，科学）小说的不同领域。我希望机器能够自动识别线所属小说的类型。因此，您可以考虑并应用各种“机器学习模型”，并且可以获得一些x％的准确性的结果。…

极限学习机的缺点是什么？

Yann Lecun关于ELM的帖子： “极限学习机”有什么优点？目前，机器学习的某些角落正在发生一种有趣的社会学现象。一个主要集中在中国的小型研究团体围绕“极限学习机”的概念集会起来。坦白说，我不了解ELM有什么优点。有人可以帮忙解释一下吗？ ELM基本上是2层神经网络，其中第一层是固定且随机的，第二层是经过训练的。这个想法有很多问题。首先，名称：ELM恰好是Minsky和Papert所谓的Gamba感知器（感知器，其第一层是一堆线性阈值单元）。最初的1958年Rosenblatt感知器是ELM，因为第一层是随机连接的。其次，方法：随机连接第一层几乎是您可以做的最愚蠢的事情。自Perceptron以来，人们已经花费了将近60年的时间，提出了更好的方案来非线性扩展输入矢量的维数，以使数据更可分离（其中许多已在1974年的Duda＆Hart版中进行了记录）。我们只列出一些例子：使用多项式之类的基础函数族，使用“核方法”，其中基础函数（又名神经元）以训练样本为中心，使用聚类或GMM将基础函数的中心放在数据是（我们称之为RBF网络的东西），并使用梯度下降来优化基本函数的位置（也就是使用反向传播技术训练的2层神经网络）。如果您要学习的功能非常简单并且标记的数据量很小，则随机设置第一层权重（如果以适当的方式进行设置）可能会有效。优点类似于SVM的优点（尽管程度较小）：需要进行监督训练的参数数量少（因为第一层是固定的）并且易于规范化（因为它们构成了线性分类器）。但是，为什么不首先使用SVM或RBF网络呢？…