机器学习小白入门指引.docxVIP

机器学习小白入门指引如何开始学习机器学习？面临的最大困难就是机器学习背后的数学原理。必须知道的第一个事情是同一个问题会有不同的解决方案。同一个问题可能会有3个解决方案。本文将介绍的第一个解决方案是遗传编程和进化算法。0.神经网络的基础神经网络不是很难理解。对新手来说比较难描述。因为每个人都在使用数学来解释神经网络，那我想在这里会用不同的方法来描述它。下面我们谈论一个简单的神经网络，它的结构包括三个不同的“类别”：输入层，隐藏层和输出层。图1 神经网络基本架构输入层通常代表传感器，其中输入数组的每个值的范围是从0.0到1.0。输出层代表对问题的解，取值可能为真假二值，也可能是位置矢量（例如游戏中，操作对象的x/y/z坐标值）。神经网络可以用来拟合复杂函数，已经复杂的分类决策问题（达到Bayesian解决方案的限制，但以后会出现）。神经网络是无知的，他们只能理解从0.0到1.0的值，这意味着我们必须为其编写适配器，以便它能够理解它的含义，适配器在现实世界中通常称为“策略”，它除了将值转换为0和1之外，不会做其他事情。例如，当我们想要在乒乓球游戏中预测桨的移动位置时，我们可以使用这样的代码：?let input = [ 0, 0, 0 ]; // x,y,zinput[0] = entity.position.x / screen.width;input[1] = entity.position.y / screen.height;input[2] = 0; // we dont have a z position, have we?let answer = neural_pute(input);if (answer[0] 0.5) {??? entity.moveUpwards();} else {??? entity.moveDownwards();}现在我们知道一个神经网络可以计算输入，输出是/否离散结果，或者连续值。神经网络每层包含多个神经元。简单的前馈网络以每个神经元与前一层中的每个神经元（从左到右走）相连接的方式建立。?这些连接使用用来描述数据流的流向，每个连接线对应一个权重。这里的重要部分是输入神经元没有连接到上一层，因此compute( )函数必须对输入神经元做出反馈，根据输入数组的值直接获得结果。所谓的激活函数，是用来描述前后两层中，互相联系的神经元的转换关系。这里激活函数的概念有点模糊，因为每个人都有自己的见解。当然，你需要知道的是，它只是一个简单的函数，其响应形式如下：图2激活函数Sigmoid的响应const _sigmoid = function(value) {??? return (1 / (1 + Math.exp((-1 * value) / 1)));};总之，你只需要知道激活函数是模拟神经元如何工作的一种方法。激活函数在现实中只是取一个值并将其转换为另一个值。它的行为方式类似于动画世界中的每一帧之间的转换。快速进步首先意味着神经元可以快速学习，缓慢步进意味着神经元过度拟合收敛更慢。过度拟合和讨论是一个更复杂的话题，但我直截了当地忽略它，以节省时间和混乱。1.遗传编程和进化遗传编程的核心思想是使用基因组的形式来表示网络结构。遗传编程的巨大优势是，当遗传编程与进化算法相结合时，它可以非常快地获得很好的网络结构。一个基本的进化算法总是包含三个不同的周期：训练、评价、繁殖，重复以上过程。图3 进化算法过程进化算法的执行过程如下：STEP1 种群初始化：对种群的个体赋随机值，这样您就可以快速获得一个结果。当然，使用随机值来求最优解是有点漫无目的。STEP2 适应度评价：适应度是评估循环过程中每个个体过程值，用来评估个体接近最优解的程度。例如，在超级马里奥游戏中，与左的距离、分数、杀敌数等可以用作适应度。STEP3 个体选择，种群中适应度高的个体被选入交配池，获得与其他适应度高的个体交叉繁殖的机会，从而产生新的个体，加入子代种群。交叉算子的操作类似于人类繁殖的过程，父、母两条染色体相互交换基因片段，当然“儿子”个体会更像父亲，而“女儿”个体更像母亲。变异算子的主要作用是保持种群的多样性，防止种群陷入局部最优，所以其一般被设计为一种随机变换。图4 个体交叉示意图STEP4 判断是否达到最大迭代次数，若否，则跳至STEP2。交叉算法通常在两个基因的截断点处进行交换，子个体各获得一部分，如女儿获得父母基因的比例分别为70% / 30%，儿子获得父母基因的比例分别是30% /70%。let dna_split = (Math.random() * mum_genome.length) | 0;let daughter? = new Genome();let son?????? = new Genome();for