首先你要知道這些專業的機器學習詞彙，163個專業詞彙帶你入門機器學習

機器學習目前在主流網際網路公司使用的非常普遍，對於一些想從事或者轉型到這個行業的產品經理和開發者，來看看有哪些常見的機器學習詞彙，以下是總結了163個詞彙，讓你與機器學習技術大牛友好的聊天，A-W分字母檢視。

A

準確率（Accuracy）

啟用函式（Activation function）

梯度下降演算法（AdaGrad）

曲線下面積（AUC）

B

反向傳播（Backpropagation）

基線（Baseline）

批次（Batch）

批次大小（Batch size）

偏置（Bias）

二元分類器（Binary classification）

根據值的範圍將一個連續特徵轉換成多個（binning/bucketing）

C

標定層（calibration layer）

候選取樣（candidate sampling）

檢查點（checkpoint）

類別（class）

類別不平衡資料集（class-imbalanced data set）

分類模型（classification）

分類閾值（classification threshold）

混淆矩陣（confusion matrix）

連續特徵（continuous feature）

收斂（convergence）

凸函式（concex function）

成本（cost）

交叉熵（cross-entropy）

D

資料集（data set）

決策邊界（decision boundary）

深度模型（deep model）

密集特徵（dense feature）

派生特徵（derived feature）

離散特徵（discrete feature）

正則化（dropout regularization）

動態模型（dynamic model）

E

早期停止法（early stopping）

嵌入（embeddings）

經驗風險最小化（empirical risk minimization，ERM）

整合（ensemble）

評估器（Estimator）

樣本（example）

F

假負類（false negative，FN）

假正類（false positive，FP）

假正類率（false positive rate，FP rate）

特徵（feature）

特徵列（feature columns/FeatureColumn）

特徵交叉（feature cross）

特徵工程（feature engineering）

特徵集（feature set）

特徵定義（feature spec）

G

泛化（generalization）

廣義線性模型（generalized linear model）

梯度（gradient）

梯度截斷（gradient clipping）

梯度下降（gradient descent）

圖（graph）

H

啟發式（heuristic）

隱藏層（hidden layer）

摺頁損失函式（Hinge loss）

測試資料（holdout data）

超引數（hyperparameter）

I

獨立同分布（independently and identically distributed，i.i.d）

推斷（inference）

輸入層（input layer）

評分者間一致性（inter-rater agreement）

K

Kernel 支援向量機（Kernel Support Vector Machines/KSVM）

L

L1 損失函式（L1 loss）

L1 正則化（L1 regularization）

L2 損失（L2 loss）

L2 正則化（L2 regularization）

標籤（label）

標註樣本（labeled example）

正則化率的同義詞（lambda）

層（layer）

學習率（learning rate）

最小二乘迴歸（least squares regression）

線性迴歸（linear regression）

logistic 迴歸（logistic regression）

對數損失函式（Log Loss）

M

機器學習（machine learning）

均方誤差（Mean Squared Error/MSE）

小批次（mini-batch）

小批次隨機梯度下降（mini-batch stochastic gradient descent）

模型（model）

模型訓練（model training）

動量（Momentum）

多類別（multi-class）

N

NaN trap（NaN 是「Not a Number」的縮寫）

負類（negative class）

神經網路（neural network）

神經元（neuron）

歸一化（normalization）

Python中提供高效陣列運算的開源數學庫（numpy）

O

目標（objective）

離線推斷（offline inference）

one-hot 編碼（one-hot encoding）

一對多（one-vs.-all）

線上推斷（online inference）

運算（Operation/op）

最佳化器（optimizer）

異常值（outlier）

輸出層（output layer）

過擬合（overfitting）

P

一種基於列的資料分析 API（Pandas）

引數（parameter）

引數伺服器（Parameter Server/PS）

引數更新（parameter update）

偏導數（partial derivative）

分割槽策略（partitioning strategy）

效能（performance）

困惑度（perplexity）

流程（pipeline）

正類（positive class）

精度（precision）

預測（prediction）

預測偏差（prediction bias）

預製評估器（pre-made Estimator）

預訓練模型（pre-trained model）

先驗信念（prior belief）

Q

佇列（queue）

R

秩（rank）

評分者（rater）

召回率（recall）

修正線性單元（Rectified Linear Unit/ReLU）

迴歸模型（regression model）

正則化（regularization）

正則化率（regularization rate）

受試者工作特徵曲線（receiver operating characteristic/ROC Curve）

根目錄（root directory）

均方根誤差（Root Mean Squared Error/RMSE）

S

負責儲存模型檢查點檔案（Saver）

縮放（scaling）

序列模型（sequence model）

會話（session）

Sigmoid函式（sigmoid function）

為多類別分類模型中每個可能的類提供機率的函式（softmax）

稀疏特徵（sparse feature）

平方損失（squared loss）

靜態模型（static model）

穩態（stationarity）

步（step）

步長（step size）

隨機梯度下降（stochastic gradient descent/SGD）

結構風險最小化（structural risk minimization/SRM）

摘要（summary）

監督式機器學習（supervised machine learning）

合成特徵（synthetic feature）

T

張量（tensor）

張量處理單元（Tensor Processing Unit，TPU）

張量形狀（Tensor shape）

張量大小（Tensor size）

大型分散式機器學習平臺（TensorFlow）

一個可以看到不同超引數對模型訓練的影響的平臺（TensorFlow Playground）

幫助訓練模型使之可部署到產品中的平臺（TensorFlow Serving）

測試集（test set）

用於描述機器學習模型訓練或推斷的輸入資料（tf.Example）

訓練（training）

訓練集（training set）

真負類（true negative，TN）

真正類（true positive，TP）

真正類率（true positive rate，TP rate）

U

無標籤樣本（unlabeled example）

無監督機器學習（unsupervised machine learning）

V

驗證集（validation set）

W

權重（weight）

寬模型（wide model）

訂閱「基數智慧」，jishu2017ai，一起加入人工智慧技術大本營。

　　許多人將機器學習視為通向人工智慧的途徑，但是對於統計學家或商人而言，機器學習也可以是一種強大的工具，可以實現前所未有的預測結果。

　　為什麼機器學習如此重要?

　　在開始學習之前，我們想花一些時間強調WHY機器學習非常重要。

　　總之，每個人都知道人工智慧或人工智慧。通常，當我們聽到AI時，我們會想象機器人到處走動，執行與人類相同的任務。但是，我們必須瞭解，雖然有些任務很容易，但有些任務卻很困難，並且距離擁有像人類一樣的機器人還有很長的路要走。

　　但是，機器學習是非常真實的並且已經存在。它可以被視為AI的一部分，因為當我們想到AI時，我們想象的大部分內容都是基於機器學習的。

　　在過去，我們相信未來的這些機器人將需要向我們學習一切。但是人腦是複雜的，並且並非可以輕鬆描述其協調的所有動作和活動。1959年，亞瑟·塞繆爾(Arthur Samuel)提出了一個絕妙的主意，即我們不需要教計算機，但我們應該讓他們自己學習。塞繆爾(Samuel)也創造了“機器學習”一詞，從那時起，當我們談論機器學習過程時，我們指的是計算機自主學習的能力。

　　機器學習有哪些應用?

　　在準備這篇文章的內容時，我寫下了沒有進一步說明的示例，假定所有人都熟悉它們。然後我想：人們知道這些是機器學習的例子嗎?

　　讓我們考慮一些。

　　自然語言處理，例如翻譯。如果您認為百度翻譯是一本非常好的字典，請再考慮一下。百度翻譯本質上是一組機器學習演算法。百度不需要更新百度 Translate;它會根據不同單詞的使用情況自動更新。

　　哦，哇 還有什麼?

　　雖然仍然是主題，但Siri，Alexa，Cortana都是語音識別和合成的例項。有些技術可以使這些助手識別或發音以前從未聽過的單詞。他們現在能做的事令人難以置信，但在不久的將來，它們將給人留下深刻的印象!

　　SPAM過濾。令人印象深刻，但值得注意的是，SPAM不再遵循一組規則。它自己瞭解了什麼是垃圾郵件，什麼不是垃圾郵件。

　　推薦系統。Netflix，淘寶，Facebook。推薦給您的所有內容都取決於您的搜尋活動，喜歡，以前的行為等等。一個人不可能像這些網站一樣提出適合您的推薦。最重要的是，他們跨平臺，跨裝置和跨應用程式執行此操作。儘管有些人認為它是侵入性的，但通常情況下，資料不是由人處理的。通常，它是如此複雜，以至於人類無法掌握它。但是，機器將賣方與買方配對，將電影與潛在觀眾配對，將照片與希望觀看的人配對。這極大地改善了我們的生活。

　　說到這，淘寶擁有如此出色的機器學習演算法，它們可以高度確定地預測您將購買什麼以及何時購買。那麼，他們如何處理這些資訊?他們將產品運送到最近的倉庫，因此您可以在當天訂購併收到產品。難以置信!

　　金融機器學習

　　我們名單上的下一個是金融交易。交易涉及隨機行為，不斷變化的資料以及從政治到司法的各種因素，這些因素與傳統金融相距甚遠。儘管金融家無法預測很多這種行為，但是機器學習演算法會照顧到這種情況，並且對市場的變化做出響應的速度比人們想象的要快。

　　這些都是業務實現，但還有更多。您可以預測員工是否會留在公司或離開公司，或者可以確定客戶是否值得您光顧-他們可能會從競爭對手那裡購買還是根本不購買。您可以最佳化流程，預測銷售，發現隱藏的機會。機器學習為機會開闢了一個全新的世界，對於在公司戰略部門工作的人們來說，這是一個夢想成真。

　　無論如何，這些已在這裡使用。然後，我們將進入自動駕駛汽車的新境界。

　　機器學習演算法

　　直到最近幾年，無人駕駛汽車還是科幻小說。好吧，不再了。自動駕駛汽車已經驅動了數百萬英里(即使不是數十億英里)。那是怎麼發生的?沒有一套規則。而是一組機器學習演算法，使汽車學習瞭如何極其安全有效地駕駛。

　　我們可以繼續學習幾個小時，但我相信您的主旨是：“為什麼要使用機器學習”。

　　因此，對您來說，這不是為什麼的問題，而是如何的問題。

　　這就是我們的Python機器學習課程所要解決的問題。蓬勃發展的資料科學事業中最重要的技能之一-如何建立機器學習演算法!

　　如何建立機器學習演算法?

　　假設我們已經提供了輸入資料，建立機器學習演算法最終意味著建立一個輸出正確資訊的模型。

　　現在，將此模型視為黑匣子。我們提供輸入，並提供輸出。例如，考慮到過去幾天的氣象資訊，我們可能想建立一個預測明天天氣的模型。我們將輸入模型的輸入可以是度量，例如溫度，溼度和降水。我們將獲得的輸出將是明天的天氣預報。

　　現在，在對模型的輸出感到滿意和自信之前，我們必須訓練模型。訓練是機器學習中的核心概念，因為這是模型學習如何理解輸入資料的過程。訓練完模型後，我們可以簡單地將其輸入資料並獲得輸出。

　　如何訓練機器學習演算法?

　　訓練演算法背後的基本邏輯涉及四個要素：

　　a.資料

　　b.模型

　　c.目標函式

　　d.最佳化演算法

　　讓我們探索每個。

　　首先，我們必須準備一定數量的資料進行訓練。

　　通常，這是歷史資料，很容易獲得。

　　其次，我們需要一個模型。

　　我們可以訓練的最簡單模型是線性模型。在天氣預報示例中，這將意味著找到一些係數，將每個變數與它們相乘，然後將所有結果求和以得到輸出。但是，正如我們稍後將看到的那樣，線性模型只是冰山一角。依靠線性模型，深度機器學習使我們可以建立複雜的非線性模型。它們通常比簡單的線性關係更好地擬合數據。

　　第三個要素是目標函式。

　　到目前為止，我們獲取了資料，並將其輸入到模型中，並獲得了輸出。當然，我們希望此輸出儘可能接近實際情況。大資料分析機器學習AI入門指南https://www.aaa-cg.com.cn/data/2273.html這就是目標函數出現的地方。它估計平均而言，模型輸出的正確性。整個機器學習框架歸結為最佳化此功能。例如，如果我們的函式正在測量模型的預測誤差，則我們希望將該誤差最小化，或者換句話說，將目標函式最小化。

　　我們最後的要素是最佳化演算法。它由機制組成，透過這些機制我們可以更改模型的引數以最佳化目標函式。例如，如果我們的天氣預報模型為：

　　明天的天氣等於：W1乘以溫度，W2乘以溼度，最佳化演算法可能會經過以下值：

　　W1和W2是將更改的引數。對於每組引數，我們將計算目標函式。然後，我們將選擇具有最高預測能力的模型。我們怎麼知道哪一個最好?好吧，那將是具有最佳目標函式的那個，不是嗎?好的。大!

　　您是否注意到我們說了四個成分，而不是說了四個步驟?這是有意的，因為機器學習過程是迭代的。我們將資料輸入模型，並透過目標函式比較準確性。然後，我們更改模型的引數並重復操作。當我們達到無法再最佳化或不需要最佳化的程度時，我們將停止，因為我們已經找到了解決問題的足夠好的解決方案。

https://www.toutiao.com/i6821026294461891086/