2021年來了，越過了充滿艱辛的2020，希望大家在新的一年裡，手裡能多一件對抗未知的武器，剛哥送給大家免費的Python機器學習課程。
線性回歸
最基本的機器學習算法必須是具有單個變量的線性回歸算法。如今，可用的高級機器學習算法，庫和技術如此之多，以至於線性回歸似乎並不重要。但是，學習基礎知識總是一個好主意。這樣，您將非常清楚地理解這些概念。在本文中，我將逐步解釋線性回歸算法。
多元線性回歸
在回歸分析中，如果有兩個或兩個以上的自變量，就稱為多元回歸。事實上，一種現象常常是與多個因素相聯繫的，由多個自變量的最優組合共同來預測或估計因變量，比只用一個自變量進行預測或估計更有效，更符合實際。因此多元線性回歸比一元線性回歸的實用意義更大
多項式回歸
在統計學中， 多項式回歸是回歸分析的一種形式，其中自變量 x 和因變量 y 之間的關係被建模為關於 x 的 n 次多項式。多項式回歸擬合x的值與 y 的相應條件均值之間的非線性關係，表示為 E(y|x)，並且已被用於描述非線性現象，例如組織的生長速率[1]、湖中碳同位素的分布[2]以及沉積物和流行病的發展[3]。雖然多項式回歸是擬合數據的非線性模型，但作為統計估計問題，它是線性的。在某種意義上，回歸函數 E(y|x) 在從數據估計到的未知參數中是線性的。因此，多項式回歸被認為是多元線性回歸的特例。
邏輯回歸
自上世紀以來，邏輯回歸是一種流行的方法。它建立了分類變量和一個或多個自變量之間的關係。在機器學習中使用此關係來預測分類變量的結果。它被廣泛用於許多不同的領域，例如醫療領域，貿易和商業，技術等等。
多類分類邏輯回歸
普通的邏輯回歸只能針對二分類問題，要想實現多個類別的分類，我們必須要改進邏輯回歸，讓其適應多分類問題。
關於這種改進，有兩種方式可以做到。
第一種方式是直接根據每個類別，都建立一個二分類器，帶有這個類別的樣本標記為1，帶有其他類別的樣本標記為0。假如我們有k個類別，最後我們就得到了k個針對不同標記的普通的邏輯二分類器。
第二種方式是修改邏輯回歸的損失函數，讓其適應多分類問題。這個損失函數不再籠統地只考慮二分類非1就0的損失，而是具體考慮每個樣本標記的損失。這種方法叫做softmax回歸，即邏輯回歸的多分類版本。
神經網絡算法
神經網絡已被開發來模仿人類的大腦。神經網絡在機器學習中非常有效。它在1980年代和1990年代很流行。最近，它變得越來越流行。可能是因為計算機足夠快，可以在合理的時間內運行大型神經網絡。
如何應對算法效果不佳
我們花了很多時間來開發機器學習算法。但是在部署後，如果該算法性能不佳，那將令人沮喪。問題是，如果算法無法按預期工作，下一步應該怎麼做。什麼地方出了錯?訓練數據的數量是否足夠?我們使用了正確的功能嗎?我們是否應該繼續收集更多數據?我們可以，但是那是非常耗時且昂貴的。我們應該添加更多功能嗎?那也可能很昂貴。
往哪個方向走?
如果您的機器學習算法無法正常工作，下一步該怎麼做?有幾種選擇：
獲取更多的訓練數據非常耗時。甚至可能需要數月的時間才能獲得更多的研究數據。 獲得更多的訓練特徵。也可能需要很多時間。但是，如果添加一些多項式特徵可以工作，那就太酷了。 選擇較小的一組訓練特徵。 增加正則項 減少正則項。那麼，接下來您應該嘗試哪一個呢?開始嘗試任何操作都不是一個好主意。因為您可能最終會花太多時間在無用的事情上。您需要先發現問題，然後採取相應措施。學習曲線有助於輕鬆檢測問題，從而節省大量時間。
學習曲線對於確定如何提高算法性能非常有用。確定算法是否遭受偏差或擬合不足，方差或擬合過度，或兩者兼而有之，這很有用。
精確度，召回率
如何處理機器學習中偏斜的數據集
用偏斜的數據集開發有效的機器學習算法可能很棘手。例如，數據集涉及銀行中的欺詐活動或癌症檢測。發生的情況是，您將在數據集中看到99%的時間沒有欺詐活動或沒有癌症。您可以很容易地作弊，並且始終可以僅預測0(如果癌症則預測1，如果沒有癌症則預測0)，從而獲得99%的準確性。如果這樣做，我們將擁有99%的準確機器學習算法，但我們將永遠不會檢測到癌症。如果某人患有癌症，他/他將永遠得不到治療。在銀行中，不會採取任何針對欺詐活動的措施。因此，僅靠準確性就無法確定偏斜的數據集，就像算法是否有效運行一樣。
有不同的評估矩陣可以幫助處理這些類型的數據集。這些評估指標稱為精確召回評估指標。
要了精確度和召回率，您需要了解下表及其所有術語。考慮二進位分類。它將返回0或1。對於給定的訓練數據，如果實際類別為1，而預測類別也為1，則稱為真實肯定。如果實際類別為0，而預測類別為1，則為假陽性。如果實際類別為1，但預測類別為0，則稱為假陰性。如果實際類別和預測類別均為0，則為真陰性。
使用所有這些，我們將計算精度和召回率。
K均值聚類
K均值聚類是最流行和廣泛使用的無監督學習模型。它也稱為群集，因為它通過群集數據來工作。與監督學習模型不同，非監督模型不使用標記數據。
該算法的目的不是預測任何標籤。而是更好地了解數據集並對其進行標記。
在k均值聚類中，我們將數據集聚類為不同的組。
異常檢測
異常檢測可以作為離群分析的統計任務來對待。但是，如果我們開發一個機器學習模型，它可以自動化，並且像往常一樣可以節省大量時間。有很多異常檢測用例。信用卡欺詐檢測，故障機器檢測或基於其異常功能的硬體系統檢測，基於病歷的疾病檢測都是很好的例子。還有更多的用例。而且異常檢測的使用只會越來越多。
單變量和多元高斯分布
高斯分布是統計中最重要的概率分布，在機器學習中也很重要。因為許多自然現象，例如人口高度，血壓，鞋子的尺碼，諸如考試成績之類的教育手段以及自然界中許多其他重要方面，都傾向於遵循高斯分布。
我敢肯定，您聽說過這個詞，並且在某種程度上也知道。如果沒有，請不要擔心。本文將對其進行清晰的解釋。我在吳哥倫教授在Coursera的機器學習課程中發現了一些驚人的視覺效果。他知道如何將主題分解成小塊，使其變得更容易並進行詳細說明。
他使用了一些視覺效果，可以很容易地理解高斯分布及其與相關參數(例如均值，標準偏差和方差)的關係。
在本文中，我從他的課程中切出了一些視覺效果，並在這裡用它來詳細解釋了高斯分布。
推薦系統
如今，我們到處都能看到推薦系統。當您在諸如Amazon，eBay或其他任何地方的在線市場上購買商品時，他們會推薦類似的產品。在Netflix或youtube上，您會在首頁上看到與以前的活動或搜索類似的建議。他們是如何做到的?他們都遵循這一想法。也就是說，他們從您之前的活動中獲取數據並進行相似性分析。根據該分析，他們會建議您喜歡的更多產品或視頻或電影。
希望這些課程能夠幫助你學習機器學習的基本知識，在新的一年裡，解決更為複雜的問題。
【編輯推薦】
【責任編輯：
華軒TEL：（010）68476606】