五个免费提供的工具，可以直观地分解复杂的机器学习概念> Photo by Ross Sneddon on Unsplash机器学习算法如何在后台运行是很多人都不了解的一个方面。CNN层会看到什么？反向传播如何工作？图层中的权重如何精确更新？这些是我们一次又一次想到的一些问题。这些概念对于希望在将数学方程式与理论对齐方面遇到困难的初学者而言尤其不堪重负。好消息是，有些人了解这种痛苦，并希望提供其他学习形式。本文是对五个这样的工具的汇编，这些工具超出了理论范围，而是直观地介绍了标准机器学习概念。1. MLaddict.com> source: https://www.mladdict.com/如果您想了解以下四种算法的基本数学概念，mladdict.com是一个很好的工具：· 线性回归· 神经网络· 循环网络· Q学习代理它会在您的浏览器中打开一个模拟器，然后演示算法每个阶段发生的情况。以下是模拟器的演示，展示了如何使用梯度下降算法进行线性回归。2.视觉上的解释> source: mladdict.com视觉解释（EV）（https://setosa.io/ev）是旨在使具有挑战性的想法变得直观的实验。它的灵感来自布雷特·维克多（Bret Victor）的《探索解释》。该网站上最近更新的文章可以追溯到2017年，因此您将找不到任何最新材料，但是那里的材料简直很棒。由于它们的创建如此精美，因此我在一些博客中借用了一些视觉解释。下面是EV如何解释主成分分析（PCA）概念的简要介绍。查看他们的网站，寻找其他激动人心的作品。3.看见理论> source: https://seeing-theory.brown.edu/Seeing Theory是一个直观地介绍概率和统计信息的网站。该网站的目标是通过交互式可视化使统计信息更易于访问。本书为以下六个统计概念提供了直观的解释。· 基本概率· 复合概率· 概率分布· 惯常推论· 贝叶斯推理· 回归分析让我们看看看理论是如何引入概率论的基本概念的。4. R2D3：统计和数据可视化 > source: R2D3: Statistics and Data VisualizationR2D3（http://www.r2d3.us/）是通过交互设计表达统计思维的实验。它以结构化的方式直观地介绍了机器学习的概念。当前，该站点上提供以下主题：· 第1部分：决策树· 第2部分：偏差和方差· 在机器学习的世界中设计· 了解COVID-19这是您如何可视化决策树进行分类的方法5. CNN解释器> source: https://poloclub.github.io/cnn-explainer/CNN Explainer是一个交互式可视化系统，旨在帮助非专家学习卷积神经网络（CNN）。CNN Explainer是一款结合了CNN的模型概述和动态视觉说明的工具，可帮助用户理解CNN的基本组成部分。通过跨抽象级别的平稳过渡，我们的工具使用户可以检查低级数学运算和高级模型结构之间的相互作用。有关更多信息，请查看我们的手稿CNN解释器：通过交互式可视化学习卷积神经网络，或在此处尝试使用实时演示。以下是如何使用该工具的快速演示。结论总而言之，我们研究了五个有用的工具，这些工具使机器学习和统计概念的学习更加有趣。正确地说，一张图片值一千字。以交互形式呈现时，复杂的术语变得更容易理解。这也有助于降低初学者进入机器学习领域的障碍。(本文由闻数起舞翻译自Rashida Nasrin Sucky的文章《Learn Machine Learning Concepts Interactively》，转载请注明出处，原文链接：https://towardsdatascience.com/learn-machine-learning-concepts-interactively-6c3f64518da2)
本文出自快速备案，转载时请注明出处及相应链接。
