iT邦幫忙

2019 iT 邦幫忙鐵人賽

DAY 2
0
AI & Data

跟著Google學ML系列 第 2

[Day 2] 事前準備 (Prerequisites and prework)

Reference: Prerequisites and Prework
過程中我會盡量避免翻譯英文,每次都卡在英文看得懂,要講中文講不出來。尤其是專有名詞,太難了,翻了可能更找不到資料...

Prerequisites

  • 代數algebra: Machine Learning裡充滿了各種的代數學,變數(variables)、係數(coefficients), 線性方程式(linear equations), 函數圖形化(graphs of functions), 跟 直方圖(histograms)
  • Python: 之後的作業會用到Python跟TensorFlow,TensorFlow不太需要知道太多,倒是Python要熟悉function definitions/invocations, lists and dicts, loops, and conditional expressions.

Prework

Key Concepts and Tools

  1. Algebra
  • 變數、係數、函式
  • 線性方程式: 二元一次、一元二次那些
  • 對數 Log
  • Sigmoid function: 有點類似開關,會當成Activation Functions
    sigmoid
  1. 線性代數
  • TensorFlow, TensorFlow rank: rank有人翻譯成維度,
    Rank Math entity
    0 Scalar (magnitude only)
    1 Vector (magnitude and direction)
    2 Matrix (table of numbers)
  • 矩陣
  1. 三角函數
  • sin, cos微分變成什麼?
  • tanh: 有點類似開關,會當成Activation Functions
    tanh
  1. 統計
  • 平均值、中值、outliers、標準差
  • 看懂histogram
  1. 微積分(可能需要一點)
  • 微分
  • 梯度、斜率
  • 偏微分
  • Chain rule連鎖率
    dz/dx

Python

  1. Function
  2. Dictionaries, lists, sets: 基本上要會Create, read, update, delete
  3. Loop: for ... in ...
  4. Condition: if/else
  5. 基本的型態: 字串、int、float
  6. pass statement: 類似C/C++單獨一個分號(;),不做任何事。

除此之外還要很理解 ListLambda function

Third-Party Python Libraries

  1. Matplotlib (用於資料視覺化)
  1. Seaborn: 主要用headmap,不過這也滿多統計上資料視覺化的函數可以參考的。
  2. pandas: 上面講過囉~
  3. Numpy: 數值運算函數庫,一直是我python的惡夢,python型態不對又會無法執行,每次都要很注意型態
  1. scikit-learn: 資料分析的好用工具,對資料科學跟機器學習都很有用,這邊拿來用在metric評估指標

好,到這邊結束了這篇,剛看到原文的時候,花了很多時間去喚醒每個東西的記憶,希望大家不用看原文看這麼累,讓這邊可以讓你們更快喚回你們理解的一切。


上一篇
[Day 1] 緣起
下一篇
[Day 3] Machine learning介紹
系列文
跟著Google學ML30

尚未有邦友留言

立即登入留言