Эти шпаргалки вам понадобятся, если вы занимаетесь алгоритмами машинного обучения.

Когда два года назад я начал изучать машинное обучение (ML), у меня было много вопросов о том, какие алгоритмы использовать, как соотнести их с наборами данных и т. Д. Ответ зависел от многих факторов, таких как размер данных, ожидаемый результат и доступные вычислительные ресурсы. Ресурсы. Затем меня познакомили со шпаргалками по машинному обучению, которые познакомили меня с часто используемыми алгоритмами, пакетами и функциями.

Этот пост содержит три основных шпаргалки, которые я бы порекомендовал новичку, который заинтересован в выявлении и применении алгоритмов машинного обучения для решения различных проблем. Учитывая, насколько быстро развивается эта область, алгоритмы трендов тоже развиваются. Следовательно, важно понимать алгоритмы, которые помогают соответствовать областям контролируемого и неконтролируемого обучения, классификации и регрессии и так далее.

Блок-схема алгоритма SAS

Источник: //blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/

Сам блог SAS - отличное чтение. Ссылка показывает, как пользоваться шпаргалкой, а также соображения при выборе алгоритма. В шпаргалке показана простая в использовании блок-схема, сопоставляющая данные с алгоритмами.

Шпаргалки по Python и Scikit

Большинство разработчиков работают на языке Python или R для реализации алгоритмов машинного обучения. Я работаю на Python, поэтому следующие две шпаргалки мне очень пригодились.

Источник: //s3.amazonaws.com/assets.datacamp.com/blog_assets/PythonForDataScience.pdf

Шпаргалка по Python была подготовлена ​​DataCamp и может использоваться в качестве краткого справочника по пакетам ML Python и структурам данных.

Источник: //s3.amazonaws.com/assets.datacamp.com/blog_assets/Scikit_Learn_Cheat_Sheet_Python.pdf

Scikit-learn - это библиотека Python с открытым исходным кодом, которая реализует широкий спектр машинного обучения, предварительной обработки данных и перекрестной проверки, а также визуализацию алгоритмов. Об этой библиотеке должен знать каждый начинающий специалист по данным, поэтому я настоятельно рекомендую эту шпаргалку.

Удобная карта машинного обучения

Источник: //scikit-learn.org/stable/tutorial/machine_learning_map/

Эта шпаргалка доступна в учебниках scikit-learn и является одной из самых простых блок-схем для понимания и использования. По ссылке выше у вас есть полный процесс решения проблемы машинного обучения, и вы также можете щелкнуть любой алгоритм на карте, чтобы понять его реализацию.

Делись и учись! Добавьте свой любимый чит-лист в комментариях ниже.