Machine Learning 学习笔记 01 Typora、配置OSS、导论

“随便输入文字的时候,都是输入 asdf” ——程序员笑话 

Typora 安装

安装教程

安装包:2020_3/typora1.2.3.zip

1. 先安装 typora-setup-x64-1.2.3.exe ,记下安装路径
2. 将 app.asar 替换到安装路径下的resources文件夹,替换掉app.asar文件
3. 重启typora
4. 输入邮箱、注册码

邮箱:123456@qq.com (随便写)
授权码: E8Q9Y5-KXMTL5-7578SL-4S5XKS

 

主题安装

安装教程:typora-latex-theme

Typora 使用

教程

教程视频:B站链接

教程下载:MarkDown教程.zip

图表:Draw Diagrams With Markdown - Typora Support

笔记

win + ; 表情符号

ctrl + t 插入表格

 


阿里云OSS图床

图片上传到oss有利于我们将文档拷贝到其他一些平台

登录阿里云 获取oss Bucket

直接搜索oss,选择对象存储oss

image-20210622110048295

点击创建Bucket

image-20210622110204639

然后开始输入名称以及选择相关配置

image-20210622110303877

进入AccessKey管理

image-20210622110701061

image-20210622110744465

image-20210622110808871

如果没有AccessKey 先创建,有的话就记录好key 跟 secret

下载图床工具

https://github.com/Molunerfinn/PicGo/releases

找好适合自己系统的版本进行下载安装即可

image-20210622111112445

打开图床工具配置阿里云oss

具体配置按照提示来即可,配置完成选择设为默认图床

关于设定自定义域名 建议还是不要设置,设置之后反正没生效~

image-20210622111217459

typora选择图床

image-20210622111355443

image-20210622111432716

配置成功

这个时候在typora里面粘贴图片时会出现选项是否选择上传,或者图片右键选择上传

插件拓展⭐

安装三个插件,快速截图、重命名、图片压缩

PicGo/picgo-plugin-quick-capture: A quick capture screenshot plugin for PicGo (github.com)

gclove/picgo-plugin-super-prefix: A PicGo plugin for elegant file name prefix (github.com)

Redns/picgo-plugin-compression: 基于"色彩笔"的picgo图片压缩插件 (github.com)

Picgo 配置 json 地址 C:\Users\你的用户名\AppData\Roaming\picgo\data.json

我分享了图片地址 https://xiaonenglife.oss-cn-hangzhou.aliyuncs.com/static/pic/2022/03/20220326150314.jpeg

 


机器学习导论

导论资料:https://easyai.tech/ai-definition/machine-learning/

机器学习研究和构建的是一种特殊算法(而非某一个特定的算法),能够让计算机自己在数据中学习从而进行预测。

所以,机器学习不是某种具体的算法,而是很多算法的统称。

机器学习包含了很多种不同的算法,深度学习就是其中之一,其他方法包括决策树,聚类,贝叶斯等。

深度学习的灵感来自大脑的结构和功能,即许多神经元的互连。人工神经网络(ANN)是模拟大脑生物结构的算法。

不管是机器学习还是深度学习,都属于人工智能(AI)的范畴。

人工智能、机器学习、深度学习的关系

机器学习的基本思路

  1. 把现实生活中的问题抽象成数学模型,并且很清楚模型中不同参数的作用
  2. 利用数学方法对这个数学模型进行求解,从而解决现实生活中的问题
  3. 评估这个数学模型,是否真正的解决了现实生活中的问题,解决的如何?

机器学习的基本思路

机器学习实操的7个步骤

假设我们的任务是通过酒精度和颜色来区分红酒和啤酒,下面详细介绍一下机器学习中每一个步骤是如何工作的。

机器学习在实际操作层面一共分为7步:

机器学习的7个步骤

 

步骤1:收集数据

我们在超市买来一堆不同种类的啤酒和红酒,然后再买来测量颜色的光谱仪和用于测量酒精度的设备。

这个时候,我们把买来的所有酒都标记出他的颜色和酒精度,会形成下面这张表格。

颜色 酒精度 种类
610 5 啤酒
599 13 红酒
693 14 红酒

这一步非常重要,因为数据的数量和质量直接决定了预测模型的好坏。

 

步骤2:数据准备

在这个例子中,我们的数据是很工整的,但是在实际情况中,我们收集到的数据会有很多问题,所以会涉及到数据清洗等工作。

当数据本身没有什么问题后,我们将数据分成3个部分:训练集(60%)、验证集(20%)、测试集(20%),用于后面的验证和评估工作。

数据要分为3个部分:训练集、验证集、测试集

关于数据准备部分,还有非常多的技巧,感兴趣的可以看看《AI 数据集最常见的6大问题(附解决方案)

 

步骤3:选择一个模型

研究人员和数据科学家多年来创造了许多模型。有些非常适合图像数据,有些非常适合于序列(如文本或音乐),有些用于数字数据,有些用于基于文本的数据。

在我们的例子中,由于我们只有2个特征,颜色和酒精度,我们可以使用一个小的线性模型,这是一个相当简单的模型。

 

步骤4:训练

大部分人都认为这个是最重要的部分,其实并非如此~ 数据数量和质量、还有模型的选择比训练本身重要更多(训练知识台上的3分钟,更重要的是台下的10年功)。

这个过程就不需要人来参与的,机器独立就可以完成,整个过程就好像是在做算术题。因为机器学习的本质就是将问题转化为数学问题,然后解答数学题的过程

 

步骤5:评估

一旦训练完成,就可以评估模型是否有用。这是我们之前预留的验证集和测试集发挥作用的地方。评估的指标主要有 准确率、召回率、F值。

这个过程可以让我们看到模型如何对尚未看到的数是如何做预测的。这意味着代表模型在现实世界中的表现。

 

步骤6:参数调整

完成评估后,您可能希望了解是否可以以任何方式进一步改进训练。我们可以通过调整参数来做到这一点。当我们进行训练时,我们隐含地假设了一些参数,我们可以通过认为的调整这些参数让模型表现的更出色。

 

步骤7:预测

我们上面的6个步骤都是为了这一步来服务的。这也是机器学习的价值。这个时候,当我们买来一瓶新的酒,只要告诉机器他的颜色和酒精度,他就会告诉你,这时啤酒还是红酒了。

 

拓展 Gitbook

官网:https://www.gitbook.com/

Gitbook 适合编写文档,可用于后期的知识库整理。(图片来源:小刘)

 

posted @ 2022-03-26 12:24  小能日记  阅读(61)  评论(0编辑  收藏  举报