16 необходимых шпаргалок по машинному обучению для дата-сайентистов

Машинное обучение, как мы знаем, дает компьютерам способность учиться, адаптироваться к изменениям и принимать решения без явного программирования. Процесс ML похож на интеллектуальный анализ данных, эволюционировал из изучения распознавания образов и вычислительной теории обучения в ИИ.

Алгоритмы ML делятся на обучаемые с учителем (supervised) и без учителя (unsupervised). Supervised применяют выученное в прошлом к новым данным, unsupervised делают выводы из наборов данных.

Например, лента новостей Facebook использует ML для персонализации ленты каждого пользователя. Если пользователь регулярно останавливается, чтобы читать, лайкать или делиться постом конкретного друга, в следующий раз лента покажет больше активности этого друга раньше. В бэкенде программа использует статистический и предиктивный анализ для выявления паттернов в данных пользователя. Если пользователь перестает останавливаться на постах друга, новые датасеты включаются и лента подстраивается.

Собрали список полезных шпаргалок по ML, которые помогут получить инсайты об ИИ.

16. Шпаргалка алгоритмов Scikit-Learn

Иногда самая сложная часть решения ML-проблемы — поиск оптимального оценщика (estimator) для задачи. Разные оценщики для разных проблем. Блок-схема дает примерное руководство, как подходить к проблемам с точки зрения выбора оценщика для данных.

Читайте также: 25+ бесплатных инструментов интеллектуального анализа данных

15. Алгоритмы машинного обучения и команды

Создал Аджитеш Кумар, лист содержит 10 известных ML-алгоритмов и связанные R-команды с информацией о пакетах. Цель — страница быстрой справки для новичков, работающих с ML.

14. Понимание машинного обучения: для новичков

Создал Тодд Жаквит, инфографика идеальна для новичков. Просто объясняет, что такое ML, история, как реализуется, подходы и приложения.

13. Ментальная карта алгоритмов ML

Начало с ML может быть утомительным, поиск правильного алгоритма или техники — обманчивым. Эта ментальная карта даст базу для выбора правильного алгоритма под ваши требования.

12. Python и R коды

Коллекция 10 самых распространенных ML-алгоритмов с их кодом на Python и R. Оба языка делают задачу легче, чем многие думают, потому что оба идут с различными встроенными и расширенными возможностями через датасеты, библиотеки и другие ресурсы.

Читайте также: 25 полезных Python-фреймворков для разработчиков

11. Шпаргалка для чайников

Шпаргалка в двух частях, обе в табличной структуре. Первая — краткая сводка слабых и сильных сторон разных ML-алгоритмов. Вторая — список библиотек для Python и R. При реализации алгоритмической задачи просто загрузите нужную библиотеку в исходный код.

10. ML-системы для SEO

Британское агентство по управлению и поисковой оптимизации Alchemy Viral создало глубокую инфографику по ML-системам и тому, как они влияют на SEO-тактики.

9. Топ алгоритмов машинного обучения

Для решения сложных реальных данных созданы специализированные алгоритмы для решения за меньше времени и ресурсов. Для новичков — краткое обсуждение топ ML-алгоритмов, используемых дата-сайентистами.

8. Алгоритм для обучения с учителем и без

Для суммаризации важного материала Эммануэль Ферм создал шпаргалку в LaTeX. Включает обучение и применение линейных классификаторов и алгоритмов кластеризации на малых наборах данных.

7. Шпаргалка по суевериям обучаемого с учителем

Создал Райан Комптон, содержит несколько распространенных supervised алгоритмов. Обсуждаются разные методы: логистическая регрессия, деревья решений, K ближайших соседей, наивный Байес, машины опорных векторов.

6. Как ML работает в мобильном обмене сообщениями?

Инфографика Kahuna показывает, как компании используют ML-технологии для доставки лучшего клиентского опыта.

5. Машинное обучение: уравнения и алгоритмы

Простая шпаргалка от Dr. Rico Möckel. Включает различные уравнения и алгоритмы с описанием.

4. Шпаргалка по машинному обучению

Детальная шпаргалка с широким спектром классических уравнений и диаграмм для быстрого восстановления знаний по ML. Не только для разработчиков, полезна при подготовке к собеседованию по ИИ.

3. Машинное обучение в эмодзи

Эмили Барри смешала ML-алгоритмы с любовью к эмодзи. Результат — исчерпывающее и привлекательное руководство по ML, веселое для чтения.

2. ML: паттерн для предиктивной аналитики

Еще одна полезная шпаргалка от Dzone, покрывающая предиктивную аналитику, настройку обучающих и тестовых данных, сниппеты ML-моделей.

1. Microsoft Azure Machine Learning

Читайте также: 18 выдающихся исследовательских проектов Microsoft

Microsoft Azure Machine Learning поможет выбрать подходящий алгоритм для модели предиктивной аналитики. Azure Studio имеет широкий спектр алгоритмов из семейств регрессии, кластеризации, классификации и обнаружения аномалий. Каждый разработан для решения разных типов ML-проблем.