機器學習算法如何在后臺運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)學方程式與理論對齊方面遇到困難的初學者而言尤其不堪重負。好消息是，有些人了解這種痛苦，并希望提供其他學習形式。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準機器學習概念。

[[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)學概念，mladdict.com是一個很好的工具：

• 線性回歸
• 神經(jīng)網(wǎng)絡
• 循環(huán)網(wǎng)絡
• Q學習代理

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驗。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)計信息的網(wǎng)站。該網(wǎng)站的目標是通過交互式可視化使統(tǒng)計信息更易于訪問。本書為以下六個統(tǒng)計概念提供了直觀的解釋。

• 基本概率
• 復合概率
• 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/)是通過交互設計表達統(tǒng)計思維的實驗。它以結構化的方式直觀地介紹了機器學習的概念。當前，該站點上提供以下主題：

• 第1部分：決策樹
• 第2部分：偏差和方差
• 在機器學習的世界中設計
• 了解COVID-19

這是您如何可視化決策樹進行分類的方法

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)，旨在幫助非專家學習卷積神經(jīng)網(wǎng)絡(CNN)。CNN Explainer是一款結合了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)學運算和高級模型結構之間的相互作用。

結論

總而言之，我們研究了五個有用的工具，這些工具使機器學習和統(tǒng)計概念的學習更加有趣。正確地說，一張圖片值一千字。以交互形式呈現(xiàn)時，復雜的術語變得更容易理解。這也有助于降低初學者進入機器學習領域的障礙。