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。

[[358794]]

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。