機器學習筆記-目錄導航
來自專欄機器學習-數學筆記
說明:
學習機器學習有一個月了,這一個月做了一些小項目,同時想明白了不少的東西,機器學習其實並沒有想的那麼難,今天說說個人的一些想法。
學習機器學習有一個核心的思路就是,不要想著把所有的東西都啃下,比如演算法,不要老想著自己去實現一個演算法(雖然這想法真心好)。
我們要做的核心是什麼?首先是是理解,演算法和機器學習最最重要的地方在於理解其思想,我們只有首先理解了它的思想,然後才能運用它。
如果老想自己去實現演算法,去做各種機器學習裡面的理論驗證,數學公式證明啊,遙遙無期呀!
演算法本質上還是我們思維的一種體現,好好體會。先把東西搞出來,結果論證了,再一步一步優化演算法。
就比如在下,數學上也許很多矩陣的題不會解,但是我能很清晰的告訴你矩陣是用來幹什麼的,為什麼要用矩陣,以及怎麼去用矩陣。
至於具體的運算那就交給matlab和各種第三方庫吧。
學習的法門,一定要把握好三個重要的東西:
1.重視基礎,重視基礎,重視基礎.
2.深度思考,深度思考,深度思考
3.方向,方向,方向啊。
為什麼這三方面非常重要,因此我自己就踩了太多太多的坑,包括上面的總結,其實都是在自己踩坑的基礎上總結出來的。
接下來的時間規劃是2個月,我將整理自己學習深度學習的過程,並且會有實際的產出,但是在閱讀之前,大家需要先必須確保自己有一定的理論基礎,這些基礎就是我們大學裡學的但是已經還給老師的。
線性代數,微積分,概率論方面的基礎。
推薦大家三本入門書籍。
漫畫線形代數
https://pan.baidu.com/s/1heARg5Hu-7jBEQeq7CopIw
漫畫微積分
https://pan.baidu.com/s/1a-FscBZcivREuGMsW3blbA漫畫概率論回歸分析/邏輯回歸
https://pan.baidu.com/s/1nFVCeYVH6aoUv6J1dJXgqwhttps://pan.baidu.com/s/1YU1JG-8QIC9HSMb7Fgc8Zw廢話不多說了,下面是我的規劃學習路線。
目錄:
1.理解神經元的表達方式和邏輯回歸方程式
2.為什麼神經網路能擬合出任何函數?
3.為什麼需要激活函數?
3.ReLU激活函數的優勢在哪?為什麼激活函數使用sigmod會出現梯度消失的問題?
3.1 梯度消失是如何產生對?運用數學論證對方法進行證明.
5.為什麼要選擇神經網路要deep?優勢在哪?
6.為何要使用mini-batch?mini-batch的優勢在哪?
7.實際項目:利用c++實現bp神經網路,實現反向傳導求最最優解,並進行實際的函數預測?
推薦閱讀:
※旋轉中的比值,常規思路你為何想不到?
※向量範數與矩陣範數
※一本書帶你了解數學史上的100個重大發現
※經典力學的數學方法(二)守恆定律
※優秀的數學家不用Lebesuge積分?