100 天机器学习指南

除了机器学习专栏，我们打算出另外一期专栏，叫做100 天机器学习指南，目标是通过100天的深入持续学习，让我们没有机器学习经验的人，也可以从事简单的机器学习工作，为职业生涯寻找增长点，专栏的主要特点如下：

从0到1
覆盖面广
有实战

第 1 – 10 天：线性代数

机器学习之旅的前 10 天应该侧重于理解线性代数的基础知识。您应该首先学习不同类型的线性方程、矩阵、数学运算及其应用。您还应该熟悉线性代数中使用的关键概念和术语。以下是线性代数中要涵盖的关键主题：

线性方程组
矩阵运算
- 加法、乘法和除法
- 逆
- 转置
矩阵的性质
使用高斯消元法求解线性方程
线性方程的 LU 分解
行梯队形式
行列式
特征值和特征向量
特征空间
正交和正交向量
特征分解
对角化
奇异值分解
矩阵近似
向量运算
差异化
最小值和最大值
曲线下面积

第 11 – 20 天：统计学

在对线性代数及其运算有充分的了解之后，是时候在统计方面向前迈出一步以处理数据了。充分了解统计知识最终将有助于您在机器学习之旅中进行数据分析、建模和评估。统计学在机器学习中有很多应用，例如数据探索和预处理、特征选择、模型选择和评估、不确定性估计等。所以让我们深入探讨统计学的核心：

均值、标准差和方差
描述性统计
描述性统计和推论性统计
概率论与分布
- 正态分布
- 二项分布
- 均匀分布
抽样分布的类型
- 自由程度
- Z 检验
- t检验
- 卡方检验
线性回归
样本误差和真实误差
偏差与
假设检验
置信区间
相关性和协方差
相关系数
协方差矩阵
皮尔逊相关系数
Spearman 等级相关性测度
肯德尔等级相关性测度
稳健的相关性
最大似然估计

第 21 天 – 27 Python 编程

为了实现机器学习技术，人们需要了解一种设备可以理解的语言，而 Python 就可以发挥作用。每当需要选择编程语言时，第一个跳出来的语言就是PYTHON。它可以通过多种方式用于机器学习，例如数据预处理和操作、构建机器学习模型、数据可视化等。

要学习 Python 编程，您应该具备以下主题的知识：

Python 基础知识
- 数据类型
- 表达式
- 变量
- 字符串方法
Python 数据结构
- 列表和元组
- 放
- 字典
Python 编程基础
- 条件语句
- 循环语句
- 功能
  - 用户定义函数
  - 内置功能
- 对象和类
在 Python 中处理数据
- 使用Python读取文件
- 在 Python 中写入文件
- 用于数据处理的 Pandas
- 用于加载数据的 NumPy 数组

第 28 – 45 天：数据预处理和可视化

必须理解数据预处理和可视化的重要性。这些过程有助于准备数据以进行分析并检测有助于塑造模型的模式和趋势。建议您熟悉数据清理、数据规范化和数据转换等技术。此外，学习如何使用Matplotlib和Seaborn等可视化工具来表示数据并从中获得有价值的见解也至关重要。

Python 中的数据处理和可视化库

数值模拟
熊猫
Matplotlib
西博恩

数据预处理

数据预处理简介
数据清理
缺失值
数据不一致
数据转换
数据缩减
- 主成分分析
- 条形图和直方图
- 欠采样和过采样
特征提取
特征转换
特征选择

数据可视化

数据可视化简介
探索性数据分析
描述性统计分析
使用不同图表的数据可视化
使用 Matplotlib 进行可视化
- 线图
- 散点图
- 条形图
- 饼状图
- 圆环图
- 甘特图
- 误差条形图
使用 Matplotlib 进行高级可视化
- 堆积图
- 面积图
- 3D 绘图
- 箱线图
使用 Seaborn 进行可视化
- 热图
- 配对图
- 群图
- 点图
- 计数图
- 小提琴情节
- KDE图

总之，数据预处理和可视化是机器学习流程中的关键步骤，“机器学习 100 天”挑战赛的第 28-45 天重点关注这些基本主题。预处理有助于通过处理缺失值、离群值和重复项、通过缩放和标准化对数据进行标准化以及通过对分类变量进行编码、选择特征和降维来转换数据来准备分析数据。另一方面，可视化通过图表和图形来表示数据，有助于从数据中获得见解，Matplotlib 和 Seaborn 等工具可用于创建各种可视化效果。通过掌握这些技术，学习者可以在数据预处理和可视化方面打下坚实的基础，这将有助于他们未来的机器学习项目。

第 46 – 76 天：机器学习及其算法简介

接下来几天的机器学习之旅应该重点了解机器学习的基础知识。您应该首先了解不同类型的机器学习及其应用程序。您还应该熟悉机器学习中使用的关键概念和术语。之后，是时候深入研究算法领域了。有多种机器学习算法可供选择，算法的选择取决于您寻求解决的问题的性质。
以下是机器学习及其算法简介中涵盖的关键主题：

什么是机器学习？
机器学习的类型
- 监督学习与无监督学习的区别
- 强化学习
机器学习——应用
分类入门
分类的基本概念
回归技术的类型
分类与回归
机器学习 | 学习类型——监督学习
使用 scikit-learn 进行多类分类
梯度下降：
- 梯度下降算法及其变体
- 随机梯度下降
- 使用 Python 进行小批量梯度下降
- 梯度下降优化技术
- 基于动量的梯度优化器简介
线性回归
- 线性回归简介
- 线性回归中的梯度下降
- 线性回归工作的数学解释
- 线性回归中的正规方程
- 线性回归（Python 实现）
- Python 中的单变量线性回归
- 使用 Python 进行多元线性回归
- 局部加权线性回归
- 蟒蛇 | 使用 sklearn 进行线性回归
逻辑回归
- 了解逻辑回归
- 为什么在分类中使用逻辑回归？
- 使用 Python 进行逻辑回归
- 逻辑回归中的成本函数
- 使用 Tensorflow 的逻辑回归
朴素贝叶斯分类器
支持向量机
- Python 中的支持向量机
- 使用 GridSearchCV 进行 SVM 超参数调整
- 使用SVM对非线性数据集进行分类
决策树
- 决策树
- 使用 sklearn 进行决策树回归
- 使用Python实现决策树
随机森林
- Python 中的随机森林回归
- 集成分类器
- 使用 Sklearn 投票分类器
- 装袋分级机

完整教程请参考 –机器学习教程

第 77 – 84 天：评估和模型选择

训练完模型后，您需要评估其性能并选择最适合您的问题的模型。

偏差方差权衡
模型评估技术
将数据分为训练、验证和测试的重要性
交叉验证技术
机器学习评估指标
分类评价指标
- 准确度分数
- 准确率、召回率和 F1 分数
- 混淆矩阵
- ROC曲线
回归评估指标
- 平均绝对误差
- 均方误差
- 平均绝对百分比误差
- R2 分数
超参数调整
- 网格搜索简历
- 随机搜索CV

总之，“机器学习 100 天”挑战赛的第 77-84 天重点关注针对给定问题评估和选择最佳模型的关键步骤。评估是使用各种指标（例如精度、召回率和 F1 分数）衡量模型性能的过程，并且可以使用交叉验证和 ROC 曲线等技术来实现此目的。模型选择涉及从一组候选模型中选择最佳模型，超参数调整可用于优化这些模型的性能。GridSearchCV 和 RandomizedSearchCV 等技术可用于自动化超参数调整过程。通过掌握这些技术，学习者可以培养针对给定问题评估和选择最佳模型的能力，这是机器学习领域的一项关键技能。