52 秒内学会机器学习

停止🏁

首先，让我发展我的推特，我可能会改变世界上所有过时的教育系统，目前还不确定，关注我的人越多，改变系统就越容易。

系列赛再来一次速通，出发啦

我刚刚对你使用了强化学习（RL）模因：

1. 你打开帖子（做正确的事）
2. 你获得了表情包（奖励）

这是多大的诱饵啊。。天啊。。

那么，为什么 meme-Kelvin 很难学习什么是 RL 呢？
因为他想学习RL 的具体实现，而不是理解概念。这就是为什么 meme-KELVIN 会这么做！

当你学习一个新事物、工具、技术或任何东西时——你不是从它的实现开始，而是从工具解决的想法、概念和问题开始！

所以 Kelvin，给你：

理解强化学习（RL）——想象一下玩电子游戏，你可以通过做出正确的动作来获得积分。

强化学习就是这样的——程序通过做出决策并根据其行为获得奖励或惩罚来学习

这只是将“从想法开始”原则应用于强化学习的一个例子

但我承诺会告诉你如何在 52 秒内学习整个 ML......

极速奔跑！

要在 52 秒内学会 ML，你需要学习 ML 概念，而不是实现，然后你可以在 PyTorch 或任何你喜欢的库名称中谷歌（或 GPT）实现，无论如何它会在明年发生变化，这很好，想法会保持更长的时间——去寻找想法！

机器学习理念

1.监督学习

在监督学习中，程序会使用带有答案的示例（称为标记数据）进行教学。这有助于程序学习示例和答案之间的联系，从而能够猜测从未见过的新示例的答案。

需要解决的算法和问题：预测房价（线性回归）、决定客户是否会购买产品（决策树）

2.无监督学习

在这里，程序会查看没有答案的示例（未标记的数据），并尝试从中找出模式或群组。这有助于完成诸如将相似的项目分组或减少描述数据所需的信息量等任务。

要解决的算法和问题：将具有相似音乐品味的人分组（k均值聚类）、压缩图像而不丢失太多信息（主成分分析）

3.强化学习

在强化学习中，程序通过尝试并以奖励或惩罚的形式获得反馈来学习做出决策。目标是随着时间的推移做出更好的决策，更有效地解决问题。

需要解决的算法和问题：教机器人走路（Q 学习）、训练程序下棋（策略梯度方法）

4.特征工程

这是从原始数据中选择重要信息（特征）以帮助程序更好地学习的过程。有时，这包括利用专业知识和创造力创建新特征。

例如：利用叶子的长度和宽度来帮助识别植物种类

5.模型评估

检查机器学习模型的运行情况对于判断其是否有效至关重要。准确率、精确率、召回率、F1 分数和均方误差等指标通常用于检查模型的性能。

⏲️还剩 24 秒，你做得很好！

让我们也讨论一下深度学习！

深度学习理念

1.神经网络（NN）

这真的很抽象。你可以把神经网络想象成按列排列的大脑神经元，它们以不同的力度（通过连接）从左到右相互 ping —— 每一层神经元被 ping 的力度决定了下一次 ping 的力度，从而决定了最终结果本身。

需要解决的算法和问题：识别图像中的物体（前馈神经网络）、翻译语言（径向基函数网络）

2.反向传播

当你犯错时，你会从中吸取教训，并努力避免重蹈覆辙。反向传播就是让程序做同样的事情的一种方式。

它可以帮助程序了解哪里出了问题，并更好地找到正确的答案。

3.卷积神经网络（CNN）

CNN 是一种特殊的神经网络，可以理解网格状数据，例如图片。

它们具有可以帮助它们学习模式和识别图片各个部分（例如线条和形状）的层次。

需要解决的算法和问题：检测照片中的人脸（LeNet-5）、识别图像中不同类型的动物（AlexNet、VGG）

4.循环神经网络（RNN）

RNN 旨在处理序列数据，例如一系列数字或单词。

它们可以记住之前的输入并利用这些信息做出更好的决策。

需要解决的算法和问题：预测股票价格（长短期记忆网络，LSTM）、根据给定风格生成文本（门控循环单元，GRU）

5.迁移学习

这是指对已经学到很多知识的程序模型进行微调，以便使用有限的数据来完成新任务。

它可以帮助程序更快地学习并表现得更好，因为它已经从以前的学习中了解了有用的东西。

示例：使用针对多种犬种训练的模型（如 ResNet）来识别特定类型的猫

6.正则化技术

这些技术可以帮助程序避免从数据中学习过多，从而避免导致过度拟合等问题

停止🏁

完成时间： 0 分 52 秒

基本上就是这样，现在去训练你的代理 Kelvin 谷歌搜索你想要解决的算法和问题的实现！

要开始使用一个工具，你需要先从该工具解决的问题开始，并了解用什么概念来解决问题

不要把具体实施过程记在脑子里，比如“如何使用工具做某事”，这很复杂，而且你脑子里不可能想出所有的事情

学习想法，谷歌实施

经过 5 到 10 次谷歌搜索一个实现之后，你就会记住它，然后技术就会过时，你就会忘记它，没关系，这种情况经常发生

想法很难忘记，它们会在你的记忆中停留很长时间

再见，下一场直线加速赛再见

实际上等待

如果你想看到教育系统以实践为先、有益于社会，不妨考虑关注一下这只蠢鸟<3

无论如何，如果你只是喜欢这些文字并想要了解更多，或者你沉迷于社交网络上的乐趣，你可以关注推特

或者不要跟随任何人，也不要听任何人的！走自己的路！

我其实想让你关注我的推特，这只是一次销售

查看我的“43 秒学会 REACT”