五個免費提供的工具，可以直觀地分解複雜的機器學習概念
> Photo by Ross Sneddon on Unsplash
機器學習演算法如何在後臺執行是很多人都不瞭解的一個方面。CNN層會看到什麼？反向傳播如何工作？圖層中的權重如何精確更新？這些是我們一次又一次想到的一些問題。這些概念對於希望在將數學方程式與理論對齊方面遇到困難的初學者而言尤其不堪重負。好訊息是，有些人瞭解這種痛苦，並希望提供其他學習形式。本文是對五個這樣的工具的彙編，這些工具超出了理論範圍，而是直觀地介紹了標準機器學習概念。
1. MLaddict.com> source: https://www.mladdict.com/
如果您想了解以下四種演算法的基本數學概念，mladdict.com是一個很好的工具：
· 線性迴歸
· 神經網路
· 迴圈網路
· Q學習代理
它會在您的瀏覽器中開啟一個模擬器，然後演示演算法每個階段發生的情況。以下是模擬器的演示，展示瞭如何使用梯度下降演算法進行線性迴歸。
2.視覺上的解釋> source: mladdict.com
視覺解釋（EV）（https://setosa.io/ev）是旨在使具有挑戰性的想法變得直觀的實驗。它的靈感來自佈雷特·維克多（Bret Victor）的《探索解釋》。該網站上最近更新的文章可以追溯到2017年，因此您將找不到任何最新材料，但是那裡的材料簡直很棒。由於它們的建立如此精美，因此我在一些部落格中借用了一些視覺解釋。下面是EV如何解釋主成分分析（PCA）概念的簡要介紹。檢視他們的網站，尋找其他激動人心的作品。
3.看見理論> source: https://seeing-theory.brown.edu/
Seeing Theory是一個直觀地介紹機率和統計資訊的網站。該網站的目標是透過互動式視覺化使統計資訊更易於訪問。本書為以下六個統計概念提供了直觀的解釋。
· 基本機率
· 複合機率
· 機率分佈
· 慣常推論
· 貝葉斯推理
· 迴歸分析
讓我們看看看理論是如何引入機率論的基本概念的。
4. R2D3：統計和資料視覺化> source: R2D3: Statistics and Data Visualization
R2D3（http://www.r2d3.us/）是透過互動設計表達統計思維的實驗。它以結構化的方式直觀地介紹了機器學習的概念。當前，該站點上提供以下主題：
· 第1部分：決策樹
· 第2部分：偏差和方差
· 在機器學習的世界中設計
· 瞭解COVID-19
這是您如何視覺化決策樹進行分類的方法
5. CNN直譯器> source: https://poloclub.github.io/cnn-explainer/
CNN Explainer是一個互動式視覺化系統，旨在幫助非專家學習卷積神經網路（CNN）。CNN Explainer是一款結合了CNN的模型概述和動態視覺說明的工具，可幫助使用者理解CNN的基本組成部分。透過跨抽象級別的平穩過渡，我們的工具使使用者可以檢查低階數學運算和高階模型結構之間的相互作用。
有關更多資訊，請檢視我們的手稿CNN直譯器：透過互動式視覺化學習卷積神經網路，或在此處嘗試使用實時演示。以下是如何使用該工具的快速演示。
結論總而言之，我們研究了五個有用的工具，這些工具使機器學習和統計概念的學習更加有趣。正確地說，一張圖片值一千字。以互動形式呈現時，複雜的術語變得更容易理解。這也有助於降低初學者進入機器學習領域的障礙。