五個可視化網(wǎng)站,助你交互式的學(xué)習(xí)機(jī)器學(xué)習(xí)概念
機(jī)器學(xué)習(xí)算法如何在后臺運(yùn)行是很多人都不了解的一個方面。CNN層會看到什么?反向傳播如何工作?圖層中的權(quán)重如何精確更新?這些是我們一次又一次想到的一些問題。這些概念對于希望在將數(shù)學(xué)方程式與理論對齊方面遇到困難的初學(xué)者而言尤其不堪重負(fù)。好消息是,有些人了解這種痛苦,并希望提供其他學(xué)習(xí)形式。本文是對五個這樣的工具的匯編,這些工具超出了理論范圍,而是直觀地介紹了標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)概念。
1. MLaddict.com
> source: https://www.mladdict.com/
如果您想了解以下四種算法的基本數(shù)學(xué)概念,mladdict.com是一個很好的工具:
- 線性回歸
- 神經(jīng)網(wǎng)絡(luò)
- 循環(huán)網(wǎng)絡(luò)
- Q學(xué)習(xí)代理
它會在您的瀏覽器中打開一個模擬器,然后演示算法每個階段發(fā)生的情況。以下是模擬器的演示,展示了如何使用梯度下降算法進(jìn)行線性回歸。
2. 視覺上的解釋
> source: mladdict.com
視覺解釋(EV)(https://setosa.io/ev)是旨在使具有挑戰(zhàn)性的想法變得直觀的實(shí)驗(yàn)。它的靈感來自布雷特·維克多(Bret Victor)的《探索解釋》。該網(wǎng)站上最近更新的文章可以追溯到2017年,因此您將找不到任何最新材料,但是那里的材料簡直很棒。由于它們的創(chuàng)建如此精美,因此我在一些博客中借用了一些視覺解釋。下面是EV如何解釋主成分分析(PCA)概念的簡要介紹。查看他們的網(wǎng)站,尋找其他激動人心的作品。
3. 看見理論
> source: https://seeing-theory.brown.edu/
Seeing Theory是一個直觀地介紹概率和統(tǒng)計(jì)信息的網(wǎng)站。該網(wǎng)站的目標(biāo)是通過交互式可視化使統(tǒng)計(jì)信息更易于訪問。本書為以下六個統(tǒng)計(jì)概念提供了直觀的解釋。
- 基本概率
- 復(fù)合概率
- 概率分布
- 慣常推論
- 貝葉斯推理
- 回歸分析
讓我們看看看理論是如何引入概率論的基本概念的。
4. R2D3:統(tǒng)計(jì)和數(shù)據(jù)可視化
> source: R2D3: Statistics and Data Visualization
R2D3(http://www.r2d3.us/)是通過交互設(shè)計(jì)表達(dá)統(tǒng)計(jì)思維的實(shí)驗(yàn)。它以結(jié)構(gòu)化的方式直觀地介紹了機(jī)器學(xué)習(xí)的概念。當(dāng)前,該站點(diǎn)上提供以下主題:
- 第1部分:決策樹
- 第2部分:偏差和方差
- 在機(jī)器學(xué)習(xí)的世界中設(shè)計(jì)
- 了解COVID-19
這是您如何可視化決策樹進(jìn)行分類的方法
5. CNN解釋器
> source: https://poloclub.github.io/cnn-explainer/
CNN Explainer是一個交互式可視化系統(tǒng),旨在幫助非專家學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)(CNN)。CNN Explainer是一款結(jié)合了CNN的模型概述和動態(tài)視覺說明的工具,可幫助用戶理解CNN的基本組成部分。通過跨抽象級別的平穩(wěn)過渡,我們的工具使用戶可以檢查低級數(shù)學(xué)運(yùn)算和高級模型結(jié)構(gòu)之間的相互作用。
結(jié)論
總而言之,我們研究了五個有用的工具,這些工具使機(jī)器學(xué)習(xí)和統(tǒng)計(jì)概念的學(xué)習(xí)更加有趣。正確地說,一張圖片值一千字。以交互形式呈現(xiàn)時(shí),復(fù)雜的術(shù)語變得更容易理解。這也有助于降低初學(xué)者進(jìn)入機(jī)器學(xué)習(xí)領(lǐng)域的障礙。