Коли я почав вивчати машинне навчання (ML) два роки тому, у мене виникло багато запитань, які алгоритми використовувати, як співвіднести їх із наборами даних тощо. Відповідь залежала від багатьох факторів, таких як розмір даних, очікуваний вихід і доступні обчислювальні ресурсів. Потім мене познайомили з шпаргалками ML, які ознайомили мене з часто використовуваними алгоритмами, пакетами та функціями.
Ця публікація містить три найкращі шпаргалки, які я рекомендую новачкові, який зацікавлений у виявленні та застосуванні алгоритмів ML до різних проблем. З огляду на те, наскільки швидко цей домен розвивається, трендові алгоритми теж прогресують. Отже, важливо розуміти алгоритми, які допомагають відповідати областям контрольованого та неконтрольованого навчання, класифікації та регресії тощо.
Блок-схема алгоритму SAS
Джерело: //blogs.sas.com/content/subciousmusings/2017/04/12/machine-learning-algorithm-use/
Сам щоденник SAS чудово читає. Посилання показує, як використовувати шпаргалку, а також міркування при виборі алгоритму. Шпаргалка показує просту у використанні блок-схему, що співвідносить дані з алгоритмами.
Шпаргалки на Python і Scikit
Більшість розробників працюють на мові Python або R для реалізації алгоритмів ML. Я працюю на Python, і тому наступні дві шпаргалки були для мене дуже корисними.
Джерело: //s3.amazonaws.com/assets.datacamp.com/blog_assets/PythonForDataScience.pdf
Шпаргалка Python була підготовлена DataCamp і може бути використана як короткий довідник для ознайомлення з пакетами ML Python та структурами даних.
Джерело: //s3.amazonaws.com/assets.datacamp.com/blog_assets/Scikit_Learn_Cheat_Sheet_Python.pdf
Scikit-learn - це бібліотека Python з відкритим кодом, яка реалізує широкий спектр ML, попередню обробку даних та перехресну перевірку, а також візуалізацію алгоритмів. Ця бібліотека належить до обов’язкового знання кожного прагнення вчених, тому я настійно рекомендую цю шпаргалку.
Зручна карта машинного навчання
Джерело: //scikit-learn.org/stable/tutorial/machine_learning_map/
Ця шпаргалка доступна в навчальних посібниках з scikit-learn і є однією з найпростіших блок-схем для розуміння та використання. За посиланням вище, у вас є повний процес вирішення проблеми ML, і ви також можете натиснути будь-який алгоритм на карті, щоб зрозуміти його реалізацію.
Поділіться та дізнайтеся! Додайте свою улюблену шпаргалку в коментарі нижче.