趣读机器学习

总有热心人在替平凡人想着更远大的事儿，比如最近的又火的硅谷新一任扛把子/现实版钢铁侠埃隆·马斯克，一直在思考哪些事情最有可能影响到人类未来；机器学习大佬Chris Albon绘制了一系列关于机器学习的卡片图，他用简洁明了的图文解释ML枯燥的推导，极大解放了诸多深陷ML数学公式理解的ML-er。总而言之：不要尝试记忆，而要尝试去理解；如果你理解了，就自动记住了；空闲的时候看看，你或许就懂了。

下面就选取其中69张卡片进行解读。

范数正则/惩罚

条件概率

如何避免算法过拟合（欠拟合，过拟合，刚刚好）

约定1（符号约定）

trick核（向量机，用核取代点乘）

典型的丢弃率（dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃）

偏导数（一个多变量的函数的偏导数，就是它关于其中一个变量的导数而保持其他变量恒定（相对于全导数，在其中所有变量都允许变化））

验证曲线

Out-of-bag误差

多项式的逻辑回归

类比均值漂移

F1打分

最大值正则

铰链损失（用于支持向量机分类）

决策边界

反向传播

损失函数（代价函数，误差函数）

预处理步骤（训练，测试）

稀疏性

准确率

多重共线性

闵式距离

曼哈顿距离

超平面

one-hot编码

卡方分布（独立同分布于标准正态分布）

线性整流函数（Rectified Linear Unit, ReLU）激活函数

F检验统计量

特征选择中方差

偏置

k最近邻

核主成分分析（Principal components analysis，PCA）

线性判别式分析（Linear Discriminant Analysis, LDA）

基于半径的最近邻分类

前向传播

损失函数的由来

置信区间

vif

T检验统计量

自然对数

感知器

r2

梯度下降

随机森林的随机性

布莱尔分数

岭回归（一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法）

0-1损失函数

k最近邻

平方根

常用数学记号

PCA

参数模型的论据

softmax归一化

感知器学习

监督与非监督

过拟合与欠拟合

bagging算法

原生贝叶斯分类

异方差性

单元阶跃激活函数

避免过拟合

贝叶斯定理

克里克语

数据中心分布

L2规范化

模型复杂性

噪声线性整流

支持向量

相关网站：

https://chrisalbon.com/

https://www.reddit.com/user/chrisalbon

https://machinelearningflashcards.com/