机器学习有哪些好的DEMO可以用来快速入门？
有个很简单的机器学习Demo，我们可以使用MNIST数据集在10分钟内进行图像分类，当您开始使用神经网络学习深度学习时，您会意识到最强大的受监督的深度学习技术之一就是卷积神经网络（简称为“ CNN”）。CNN的最终结构实际上与规则神经网络（RegularNets）非常相似，其中存在具有权重和偏差的神经元。另外，就像在RegularNets中一样，我们在CNN中使用损失函数（例如交叉熵或softmax）和激活函数（例如adam）。另外，在CNN中，还包括卷积层，池化层和全连接层。CNN主要用于图像分类，尽管您可能会发现其他应用领域，例如自然语言处理等等。CNN中的图层我们能够在卷积神经网络中使用许多不同的层。但是，卷积、池化和全连接层是最重要的。因此，在实现它们之前，我将快速介绍这些层。卷积层卷积层是我们从数据集中的图像中提取特征的第一层。由于像素仅与相邻像素和紧密像素相关，因此卷积允许我们保留图像不同部分之间的关系。卷积基本上是使用较小的像素过滤器对图像进行过滤，以减小图像的大小，而不会丢失像素之间的关系。当我们通过使用步幅为1x1的3x3滤镜（每步偏移1个像素）将卷积应用于5x5图像时。我们最终将获得3x3的输出（复杂度降低了64％）。池化层构造CNN时，通常在每个卷积层之后插入池化层，以减小表示的空间大小，从而减少参数计数，从而降低计算复杂度。此外，合并层还有助于解决过度拟合问题。基本上，我们选择池大小以通过选择这些像素内的最大值，平均值或总和值来减少参数数量。最大池化是最常见的池化技术之一，可以通过以下方式进行演示：全连接层一个完全连接的网络是我们的CNN，其中每个参数相互链接，以确定每个参数在标签上的真实关系和效果。由于卷积和池化层大大降低了时空复杂度，因此我们可以最终构建一个完全连接的网络来对图像进行分类。一组完全连接的层如下所示：既然您对我们将要使用的各个层有了一些了解，我认为现在该分享一个完整的卷积神经网络的概貌。现在，您有了可以构建的用于图像分类的卷积神经网络的概念，我们可以获得用于分类的最陈词滥调的数据集：MNIST数据集，它代表改良的美国国家标准技术研究院数据库。是一个庞大的手写数字数据库，通常用于训练各种图像处理系统。下载Mnist数据MNIST数据集是用于图像分类的最常见数据集之一，可从许多不同来源访问。实际上，甚至Tensorflow和Keras都允许我们直接从其API导入和下载MNIST数据集。因此，我将从以下两行开始，以在Keras API下导入tensorflow和MNIST数据集。NIST数据库包含60,000张训练图像和10,000张测试图像，这些图像是从美国人口普查局员工和美国高中学生那里拍摄的。因此，在第二行中，我将这两个组分别作为训练和测试，并且还分离了标签和图像。x_train和x_test部分包含灰度RGB代码（从0到255），而y_train和y_test部分包含从0到9的标签，这些标签代表它们实际的编号。为了形象化这些数字，我们可以从matplotlib获得帮助。当我们运行上面的代码时，我们将获得RGB代码的灰度可视化效果，如下所示。建立卷积神经网络我们将使用高级Keras API构建模型，该API在后端使用TensorFlow或Theano。我想提到的是，有几种高级TensorFlow API，例如Layers，Keras和Estimators，它们可以帮助我们创建具有高级知识的神经网络。但是，由于它们的实现结构各不相同，因此可能会造成混乱。因此，即使它们都使用了张量流，但如果您看到的是相同神经网络的完全不同的代码，这就是原因。我将使用最直接的API，即Keras。因此，我将从Keras导入顺序模型并添加Conv2D，MaxPooling，Flatten，Dropout和Dense图层。我已经讨论过Conv2D，Maxpooling和Dense层。此外，Dropout层通过在训练时忽略某些神经元来对抗过度拟合，而Flatten层在构建完全连接的层之前将2D数组展平为1D数组。我们可以为第一个Dense层尝试任何数字；但是，由于我们有10个数字类别（0、1、2，…，9），因此输出层必须具有10个神经元。您可以始终在第一个Dense层中尝试内核大小，池大小，激活函数，丢失率和神经元数量的实验，以获得更好的结果。编译和拟合模型使用上面的代码，我们创建了一个未经优化的空CNN。现在是时候为优化器设置一个使用度量的给定损失函数。然后，我们可以使用火车数据拟合模型。我们将使用以下代码来完成这些任务：您可以尝试使用激活函数，损失函数，调参等等。但是，我可以说adam通常胜过其他激活函数。我不确定您是否可以更改多类分类的损失函数。请随意在下面进行实验和评论。这样简单的测可以达到98–99％的
机器学习的入门语言该如何选择？
这是一个很多同学都比较关心的问题，我目前就在给研一的同学上机器学习（深度学习）这门课程，同时也在使用机器学习做一些课题项目，我来说说个人建议。首先，从入门机器学习的角度来说，Python语言对于初学者是相对比较友好的，所以我通常都会建议初学者先学习Python，然后再采用Python来完成一些经典的机器学习算法实现，比如knn、决策树、朴素贝叶斯等，这个过程的难度并不大，也会让初学者建立起学习信心。对于本科生同学来说，在选择编程语言的时候，也应该结合本专业的具体科研场景。除了Python语言之外，Java、C++和R这几门编程语言在机器学习领域也有很多应用，包括JavaScript也可以完成机器学习的算法实现和验证等环节。对于来自统计学专业的同学来说，往往采用R语言是比较适合的，毕竟R语言在统计学领域有更多的应用，而数学大类专业的同学通常更喜欢采用C++语言。我一直强调一件事，那就是学习人工智能相关知识一定不能脱离实践场景，不同的实践场景往往需要采用不同的编程语言。以我的课题组为例，纵向课题往往会采用Python语言多一些，毕竟纵向课题会更关注理论知识体系上的突破，而横向课题则使用Java和C++多一些，因为横向课题更注重落地应用的性能和稳定性。目前机器学习跟行业场景相结合的空间非常大，很多非计算机专业的同学也在基于机器学习来完成一些课题创新，而对于这部分同学来说，应该尽量选择跟本组的leader采用相同的编程语言，这能让自己节省不少时间，也会少走一些弯路。我目前联合一些国内外知名大学的导师和互联网大厂的企业导师，共同搭建了一个技术论坛，在持续开展技术交流和科研实践等活动，其中就包括机器学习、深度学习方向，感兴趣的同学可以联系我申请参与，相信一定会有所收获。最后，如果有机器学习、人工智能相关的问题，欢迎与我交流。
机器学习之前需要哪些基础科目的学习呢？
知识点：1）特征工程了解什么是人工智能、机器学习、深度学习以及特征工程2）监督学习分类算法熟悉监督学习分类算法、Scikit-learn使用3）模型选择与调优可用数据集、模型的选择与调优4）数据与多因子模型多因子模型应用5）量化交易策略量化交易概念与相关的策略6）回测框架了解回测框架7）量化交易平台实战关于量化交易平台实战的项目
机器学习从入门到可以根据自己的idea进行编码，实现这个过程要多久，走什么学习路线？
如果基础课程了解的话，那就取决于你的编码能力有多强了，这个东西就不好说了，3年我觉得是至少需要的，除了编码能力，还要熟悉机器学习深度学习的各种优化方式，这个也是需要花很多的时间学习理论和实践的！总结来说，建议你先去学习python这个基本掌握了再去看原理，然后尝试编码
发表评论