机器学习

导读：ML工作流中最困难的部分之一是为模型找到最好的超参数。ML模型的性能与超参数直接相关。

在之前学习机器学习技术中，很少关注特征工程(Feature Engineering)，然而，单纯学习机器学习的算法流程，可能仍然不会使用这些算法，尤其是应用到实际问题的时候，常常不知道怎么提取特征来建模。 特征是机器学习系统的原材料，对最终模型的影响是毋庸置疑的。

特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。

常见的机器学习&数据挖掘知识点——SSE(Sum of Squared Error, 平方误差和)；
SAE(Sum of Absolute Error, 绝对误差和)；
SRE(Sum of Relative Error, 相对误差和)；
MSE(Mean Squared Error, 均方误差)......

机器学习近几年大热，大家都想要了解，但机器学习已经形成一套枝叶繁茂的知识体系，而且往往建筑在复杂的数学基础之上，又容易让人无从下手。初学者最常问的，不是某个具体的重点难点知识，反而是机器学习究竟该怎样学。

本文概述了计算机视觉、自然语言处理和机器学习中常用的优化器。此外，你会找到一个基于三个问题的指导方针，以帮助你的下一个机器学习项目选择正确的优化器。

机器学习涉及到机器学习算法和模型的使用。对于初学者来说，这很容易让人混淆，因为“机器学习算法”经常与“机器学习模型”交替使用。这两个到底是一样的东西呢，还是不一样的东西？作为开发人员，你对排序算法、搜索算法等“算法”的直觉，将有助于你厘清这个困惑。在本文中，我将阐述机器学习“算法”和“模型”之间的区别。

问问题是学习的最好方法之一。但有时你不知道从哪里开始，或者该问什么 —— 尤其是在你还比较熟悉的异常检测之类的话题上。在这种情况下，最好倾听别人的问题，让他们的思路来指导你的学习。

由谷歌Brain的研究人员创建的TensorFlow是机器学习和数据科学领域最大的开源数据库之一。它是一个端到端的平台，适用于初学者和有经验的数据科学家。TensorFlow库包括工具、预训练模型、机器学习指南，以及开放数据集的语料库。为了帮助你找到所需的训练数据，本文将简要介绍一些用于机器学习的最大的TensorFlow数据集。我们已经将下面的列表分为图像、视频、音频和文本数据集。

为什么我需要一个清单？因为在一个项目中，你需要处理许多元素(争吵、准备、问题、模型、调优等等)，所以很容易失去对事情的了解。这个清单可以引导你完成接下来的步骤，并促使你检查每一个任务是否执行成功。