本文首先要呈现的是一篇80页的学习笔记，旨在总结机械学习的一系列基本观点(如梯度下降、反向传播等)的机械学习算法和流行模型。

条记链接：https://create momo . github . io/2018/01/23/Super-Machine-Learning-Revision-Notes/# tableof contents

条记链接：https://create momo . github . io/2018/01/23/Super-Machine-Learning-Revision-Notes/# tableof contents

本文首先要呈现的是一篇80页的学习笔记，旨在总结机械学习的一系列基本观点(如梯度下降、反向传播等)的机械学习算法和流行模型。)，以及一些作者在实践中学到的技能和简历。

如果你是机械学习领域的初学者，这个学习笔记可能会帮你少走很多弯路；如果不是学生，忘记一些模型或者算法的时候可以快速查阅这些笔记。

必要时可以用Ctrl F搜索自己想知道的想法。

该条例分为以下六个部门：

带主动函数梯度下降参数的正则化模型实用技巧卷积神经网络(CNN)最详细的解释包括Filter/Kernel、LeNet-5、AlexNet、ResNet、目标检测、人脸验证和神经动量传递。

为了防止新手走弯路，作者在“参数初始化”部门一开始就警告说，其实像TensorFlow这样的机械学习框架已经提供了健壮的参数初始化。笔记里有很多类似的提醒。

为了帮助读者理解，作者给出了一些例子，并直观地展示了许多内容：

梯度下降

在文章的最后部分，给出了一些实用技巧，包括训练/开发/测试数据集、不匹配数据扩散、输入规范化和错误分析。一些小技巧来自于Deep Learning AI等网络课程，还有一个系是作者自己总结的。

第二部分“梯度下降”分为计算图、反向传播、L2正则化梯度、梯度消失和梯度爆炸等12个子部分：

在第一部《激活函数》中，作者提供了机器学习常用的四种激活函数：Sigmoid、tanh、Relu和Leaky Relu。

第五部分是全文最重要的部分，包括逻辑回归、Softmax回归、迁移学习、多任务学习、卷积神经网络(CNN)、序列模型、Transformer和BERT等八种机械学习模型。此外，八个主要模型被分成不同的子类别，以进行如下详细说明：

解释前四种相对简单的机械学习模式。

文章的第四部分是正则化，包括L2正则化、L1正则化、辍学和提前停止四个部分。

序列模型包括普通递归神经网络模型(RNN)、门控递归单元(GRU)、LSTM、双向RNN、深度RNN示例、单词嵌入、序列到序列翻译模型示例等。

变压器和BERT模型。

笔记的第三部分是机械学习中的参数，分为可学习参数和超参数、参数初始化、超参数整定等几个部分。

本文来源：mile米乐m6官方网站-www.dahi2008.cn