圖解機器學習算法

有監督 分類：邏輯迴歸，支持向量機，樸素貝葉斯，隨機森林，神經網絡，KNN 迴歸：線性迴歸，正則化，支持向量機，隨機森林，神經網絡，KNN（k近鄰） 無監督：PDA LSANMFLDA kmeans 混合高斯分佈 強化學習是以在某個環境下行動的智能體獲得的獎勵最大化爲目標而進行學習的方法。 邏輯迴歸是一種用於有監督學習的分類任務的簡單算法。雖然算法的名字中包含“迴歸”二字，但其實它是用於分類問題的算法。邏輯迴歸通過計算數據屬於各類別的概率來進行分類。 邏輯迴歸的輸出範圍必須限制在 0 和 1 之間。邏輯迴歸使用 Sigmoid 函數，返回 0 和 1 之間的數值。 線性支持向量機通過最大化間隔來獲得更好的用於分類的決策邊界。 我們將間隔上的數據和間隔內側的數據特殊對待，稱爲支持向量。支持向量是確定決策邊界的重要數據。間隔外側的數據則不會影響決策邊界的形狀。 樸素貝葉斯是一個基於概率進行預測的算法，在實踐中被用於分類問題。具體來說，就是計算數據爲某個標籤的概率，並將其分類爲概率值最大的標籤。樸素貝葉斯主要用於文本分類和垃圾郵件判定等自然語言處理中的分類問題。 隨機森林的目標是利用多個決策樹模型，獲得比單個決策樹更高的預測精度。 我們將其中的特徵值的係數和稱爲權重，將常數項 稱爲偏置。權重和偏置都是學習參數。非線性函數叫作激活函數，它以加權後的特徵值之和作爲輸入，計算概率。常用的激活函數有 Sigmoid 函數等。

這本書非常簡要地介紹了機器學習中的兩類算法：有監督學習和無監督學習。有監督學習算法對於分類和迴歸問題都有涉及，無監督學習主要側重於降維。主要的機器學習算法都涉及到了，同時非常的簡潔、直擊要害。缺點是因爲很少涉及數學，所以從單純的描述上來看，對於一些算法還是沒能做到非常明白易懂。 有些算法我之前看過，但是很長時間不看也不用，就忘記了。但是看了這本書的介紹，仍然是一頭霧水。但是如果是學過不久的人看了，恐怕是一個很好的回顧材料。算法的基本思想和優缺點都講到了，而且這本書並非長篇大論，非常簡短。 這本書是一個機器學習很好的參考資料。對於初學者而言，可以不必每一句話都看懂，讀過一遍，粗通大概。可以作爲深入其他教材的墊腳石。對於中學生和其他專業的學生非常友好。對於機器學習的從業者而言，這本書準確簡要又是一種很好的回顧材料，可供業餘時候閱讀，並不像有些書滿篇的數學和代碼，讓人感覺很喫力。

本書書名是圖解，不過大多數算法並不能從圖裏瞭解，還是依賴於作者文字介紹。 文字介紹的基本都很簡單，對於不熟悉的算法，簡短的文字看完之後印象不深，有些知其然不知其所以然。 如果想通過這本書輕鬆快速學習機器學習，並不是一個很好的idea，如果對機器學習有了一定的瞭解，通過這本書進行查缺補漏也不推薦。

五星推薦，確實深入淺出，言之有物，可以作爲科普入門

雖說是圖解，但通篇沒有幾個圖，這個很適合有一定基礎的人做參考

隨機森林（Random Forest）是一種機器學習算法，它是基於決策樹的集成學習方法。隨機森林通過在訓練數據集中隨機選擇樣本，並構建多個決策樹，然後將這些決策樹的預測結果進行平均，從而得到最終的預測結果。 隨機森林的優點包括： 1. 可以處理高維度數據，不需要進行特徵選擇。 2. 具有很好的泛化能力，可以處理噪聲數據和缺失值。 3. 可以用於分類和迴歸問題。 4. 可以通過調整參數來控制模型的複雜度和精度。 隨機森林的缺點包括： 1. 對於小數據集，可能會出現過擬合的情況。 2. 對於一些特殊類型的數據，如連續變量，可能需要進行額外的處理。 隨機森林是一種常用的機器學習算法，在許多領域都有廣泛的應用，如數據挖掘、機器學習、計算機視覺等。 LightGBM 是一種基於梯度提升框架的機器學習算法，它是對梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）算法的一種優化和改進。 LightGBM 算法通過使用直方圖算法和單邊梯度下降算法，減少了計算複雜度和內存使用，從而提高了算法的效率和準確性。此外，LightGBM 還支持並行計算，可以在多臺機器上進行分佈式訓練，進一步提高了算法的效率。 LightGBM 算法在數據挖掘、機器學習、計算機視覺等領域都有廣泛的應用，尤其在處理大規模數據集時表現出色。

這本書，可以當他是一本相關領域的導讀。通過它，瞭解相關領域的基本概念。然後再讀其他書，對感興趣的和需要深入的部分進行研究。 這裏，推薦一下《機器學習實戰：基於Scikit-Learn、Keras和TensorFlow（原書第3版）》​​。 這本書由奧雷利安·傑龍（Aurélien Géron）撰寫，內容涵蓋機器學習基礎算法（基於Scikit-Learn）和深度學習（基於TensorFlow/Keras），理論與實戰結合，適合不同層次的學習者和工程師。

如果想要簡單瞭解機器學習，但是暫時看不下去那些動輒20萬字起步的書，這本短篇幅的小書可以作爲備選。 不過既然主打簡短，我覺得第五章環境搭建部分可以移除，然後把第四章中的數據處理部分摘出來（並豐富內容）作第二章，這樣結構上更契合機器學習的“數據-模型-訓練-評估”流程。

圖這幾張圖幹嘛？還是去B站看吳恩達的機器學習教程視頻吧。

通俗易懂，直接看很多萬字的機器學習書很難看進去也晦澀難懂，這個雖然偏科普但能看進去