Du har brug for disse snydeark, hvis du tackler maskinindlæringsalgoritmer.

Da jeg begyndte at lære Machine Learning (ML) for to år tilbage, havde jeg mange spørgsmål omkring hvilke algoritmer jeg skulle bruge, hvordan man kunne korrelere det med datasæt osv. Svaret var afhængig af mange faktorer som størrelsen på data, forventet output og tilgængelig beregningsmæssig ressourcer. Derefter blev jeg introduceret til ML-snyderarkene, som gjorde mig bekendt med de ofte anvendte algoritmer, pakker og funktioner.

Dette indlæg indeholder de tre bedste snydeark, som jeg vil anbefale til en nybegynder, der er interesseret i at identificere og anvende ML-algoritmer til forskellige problemer. I betragtning af hvor hurtigt dette domæne udvikler sig, udvikler de trendende algoritmer sig også. Derfor er det vigtigt at forstå algoritmerne, der hjælper med at passe til områderne overvåget og ikke-overvåget læring, klassificering og regression osv.

SAS Algoritme Flowchart

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

Selve SAS-bloggen er en god læsning. Linket viser, hvordan man bruger snydearket samt overvejelser, når man vælger en algoritme. Snydearket viser et brugervenligt rutediagram, der korrelerer data til algoritmerne.

Python og Scikit snydeark

De fleste udviklere arbejder på Python- eller R-sprog for at implementere ML-algoritmerne. Jeg arbejder i Python, og de følgende to snydeark har derfor været meget nyttige for mig.

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

Python-snydearket blev udarbejdet af DataCamp og kan også bruges som en hurtig reference til at guide gennem ML Python-pakker og datastrukturer.

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

Scikit-learning er et open source Python-bibliotek, der implementerer en bred vifte af ML, forbehandling af data og krydsvalidering samt visualisering af algoritmer. Dette bibliotek tilhører must know for alle håbefulde dataforskere, så jeg anbefaler dette snydeark.

Brugervenligt Machine Learning Map

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

Dette snydeark er tilgængeligt på scikit-lær selvstudierne og er et af de nemmeste flowcharts at forstå og bruge. Ved linket ovenfor har du den fulde strøm til løsning af et ML-problem, og du kan også klikke på en hvilken som helst algoritme på kortet for at forstå dens implementering.

Del og lær! Tilføj dit yndlings snydeark i kommentarerne nedenfor.