数据科学家必备的 16 个机器学习备忘单

众所周知，机器学习使计算机能够学习、适应变化并在无需明确编程的情况下做出决策。机器学习的过程与数据挖掘类似，都是从人工智能中模式识别和计算学习理论的研究演变而来。

机器学习算法可以分为有监督算法和无监督算法。监督算法可以将过去学到的知识应用到新数据中，而无监督算法则从数据集中进行推断。

例如，Facebook 的 News Feed 使用机器学习来定制每个用户的 Feed。如果用户经常停止滚动以阅读、点赞或分享特定朋友的帖子，则下次新闻源将开始在源中较早地显示该朋友的更多活动。在后端，该程序使用统计和预测分析来检查和识别用户数据中的模式。如果用户不再停止阅读朋友的帖子，新的数据集将被包含在内，新闻源将相应调整。

我们收集了一些有用的机器学习备忘单的列表，这些备忘单将帮助您获得有关人工智能的深入知识。

16。 Scikit-Learn 算法备忘单

有时，解决机器学习问题最困难的部分可能是寻找工作的最佳估计器。解决不同的问题需要不同的估算器。该流程图旨在为用户提供一个粗略指南，帮助他们解决应在数据上实施哪种估计器的问题。

阅读：25 多个免费数据挖掘工具，可实现更好的分析

15。机器学习算法和命令

该表由 Ajitesh Kumar 创建，包含 10 个著名的机器学习算法和相关 R 命令以及软件包信息。目的是为正在研究机器学习相关问题的初学者提供一个快速参考页面。

14。了解机器学习：初学者

该信息图由 Todd Jaquith 创建，非常适合初学者。它简单地解释了，什么是机器学习，有什么历史，它是如何实现的，有哪些方法和应用。

13。机器学习算法思维导图

开始使用机器学习可能会让人感到疲倦，而寻找正确的算法或技术可能会具有欺骗性。此思维导图将为您提供根据您的要求选择正确的机器学习算法的基准。

12。 Python 和 R 代码

10 种最常用的机器学习算法及其 Python 和 R 代码的集合。这两种编程语言使任务比大多数人想象的更容易，因为它们都通过使用数据集、库和其他资源提供了各种内置和扩展支持。

阅读：25 个对开发人员有用的 Python 框架

11。傻瓜备忘单

备忘单有两个部分，都是以表结构创建的。第一个让您快速总结不同机器学习算法的弱点和优点。第二个表为您提供了用于 Python 和 R 的库列表。当您想要实现任何与算法相关的任务时，只需将该任务所需的库加载到源代码中即可。

10。用于 SEO 的机器学习系统

总部位于英国的管理和搜索优化机构 Alchemy Viral 创建了有关机器学习系统及其如何影响 SEO（搜索引擎优化）策略的深入信息图表。

9。顶级机器学习算法

为了解决各种现实世界数据问题的复杂性，人们创建了专门的算法来使用更少的资源在更短的时间内解决这些问题。对于初学者来说，这是对数据科学家使用的顶级机器学习算法的简短讨论。

8。监督和无监督学习算法

为了总结最重要的材料，Emanuel Ferm 用 LaTeX 创建了一份备忘单。它包括在较小的数据集上学习和应用线性分类器和聚类算法。

7。监督学习迷信备忘单

该算法由 Ryan Compton 创建，包含几种常用的监督学习算法。讨论了不同的方法，包括逻辑回归、决策树、K 最近邻、朴素贝叶斯和支持向量机。

6。机器学习如何在移动消息传递中发挥作用？

kahuna 的信息图向您展示了公司如何使用机器学习技术来提供更好的客户体验。

5。机器学习：方程和算法

Rico Möckel 博士制作的简单机器学习备忘单。它包括各种方程和算法及其描述。

4。机器学习备忘单

这是一份详细的备忘单，包含大量经典方程和图表，将帮助您快速回忆机器学习知识。不仅对于开发人员来说，如果您正在准备与人工智能相关的工作面试，它也会派上用场。

3。表情符号中的机器学习

Emily Barry 将机器学习算法与她对表情符号的喜爱结合在一起。结果，她提出了一本全面且引人注目的机器学习指南，读起来很有趣。

2。机器学习：预测分析模式

Dzone 发布了另一个有用的机器学习备忘单，其中涵盖了预测分析、解释了如何设置训练和测试数据，并提供了机器学习模型片段。

1。微软Azure机器学习

阅读：微软 18 个非凡研究项目

Microsoft Azure 机器学习将帮助您为预测分析模型选择合适的算法。 Azure Studio 拥有广泛的回归、聚类、分类和异常检测系列算法。每一种都是为了解决不同类型的机器学习问题而开发的。