机器学习的世界错综复杂，需要掌握大量的概念和工具。但别担心，我们整理了这份机器学习速查表大全，助你快速掌握核心知识。从算法到统计学原理，再到数据处理技巧，这份速查表涵盖了所有内容。
目录
- 机器学习基础
- Python速查表
- Numpy速查表
- Pandas速查表
- Matplotlib速查表
- 线性代数速查表
- 微积分速查表
- 统计学速查表
- 概率论速查表
机器学习速查表
这份速查表提供了机器学习的基本概念和算法的简要概述。
| 概念 |
定义 |
| 监督学习 |
使用标记数据来训练模型 |
| 非监督学习 |
使用未标记数据来发现模式 |
| 强化学习 |
在环境中进行决策以最大化奖励 |
| 线性回归 |
用于预测连续值的算法 |
| 逻辑回归 |
用于预测分类值（例如 0 或 1）的算法 |
| 决策树 |
通过一系列规则将数据点分类的算法 |
| 神经网络 |
一种受人脑启发的模型 |
Python速查表
Python是机器学习中最常用的编程语言之一。这份速查表列出了Python的常用函数和模块。
| 函数 |
用途 |
| print() |
打印对象 |
| input() |
获取用户输入 |
| len() |
获取对象长度 |
| range() |
生成一个范围的数字 |
| sum() |
计算元素的总和 |
| numpy |
科学计算包 |
| pandas |
数据处理包 |
| matplotlib |
可视化包 |
Numpy速查表
Numpy是用于科学计算的Python库。这份速查表列出了Numpy常用的函数和方法。
| 函数 |
用途 |
| array() |
创建一个数组 |
| shape |
获取数组的形状 |
| ndim |
获取数组的维度 |
| dtype |
获取数组的数据类型 |
| mean() |
计算数组的平均值 |
| std() |
计算数组的标准差 |
Pandas速查表
Pandas是用于数据处理的Python库。这份速查表列出了Pandas常用的函数和方法。
| 函数 |
用途 |
| DataFrame() |
创建一个数据框 |
| head() |
查看数据框的前几行 |
| tail() |
查看数据框的后几行 |
| info() |
查看数据框的信息 |
| groupby() |
根据一个或多个列对数据框进行分组 |
| merge() |
合并两个或多个数据框 |
Matplotlib速查表
Matplotlib是用于数据可视化的Python库。这份速查表列出了Matplotlib常用的函数和方法。
| 函数 |
用途 |
| plot() |
创建折线图 |
| scatter() |
创建散点图 |
| bar() |
创建条形图 |
| hist() |
创建直方图 |
| xlabel() |
设置 x 轴标签 |
| ylabel() |
设置 y 轴标签 |
| title() |
设置图表标题 |
线性代数速查表
线性代数是机器学习的基础。这份速查表列出了线性代数中的关键概念。
| 概念 |
定义 |
| 矩阵 |
一个由数字组成的矩形阵列 |
| 向量 |
一个由数字组成的列或行 |
| 行列式 |
一个与方矩阵关联的标量 |
| 特征值和特征向量 |
一个矩阵的特殊值和向量 |
| 奇异值分解 |
一个矩阵的分解，将其分解为三个矩阵的乘积 |
微积分速查表
微积分是机器学习中优化模型所必需的。这份速查表列出了微积分中的关键概念。
| 概念 |
定义 |
| 导数 |
一个函数的变化率 |
| 积分 |
一个函数在给定区间上的面积 |
| 链式法则 |
导数的导数 |
| 偏导数 |
一个多变量函数相对于一个变量的导数 |
统计学速查表
统计学是机器学习中数据分析的基础。这份速查表列出了统计学中的关键概念。
| 概念 |
定义 |
| 均值 |
一组数字的平均值 |
| 中位数 |
一组数字的中间值 |
| 标准差 |
一组数字的分散程度 |
| 相关性 |
两个变量之间的关系强度 |
| 显著性检验 |
确定结果是否具有统计意义 |
概率论速查表
概率论是机器学习中预测事件发生可能性的基础。这份速查表列出了概率论中的关键概念。
| 概念 |
定义 |
| 概率 |
一个事件发生的可能性 |
| 条件概率 |
在给定另一个事件发生的情况下，事件发生的概率 |
| 贝叶斯定理 |
计算在知道新信息后事件发生的概率 |
| 随机变量 |
一个具有随机值的变量 |
| 期望值 |
一个随机变量的平均值 |
