Tổng hợp Cheat Sheets cho AI, Neural Networks, Machine Learning, Deep Learning và Big Data

Tác giả: Stefan Kojouharov

Trong vài tháng qua, tôi đã bắt đầu sưu tập Cheat Sheet AI. Đôi khi tôi chia sẻ chúng với bạn bè và đồng nghiệp và gần đây tôi đã được hỏi rất nhiều, vì vậy tôi quyết định chia sẻ toàn bộ chúng cho cộng đồng. Để làm cho mọi thứ trở nên thú vị hơn và dẽ hiểu hơn, tôi đã thêm các mô tả và /hoặc trích đoạn cho mỗi chủ đề chính.

Đây là danh sách đầy đủ nhất về AI và Big-O:

Neural Networks

Neural Networks Graphs

Machine Learning Overview

Machine Learning: thuật toán Scikit-learn

Machine learning cheat sheet sẽ giúp bạn tìm được các estimatorphù hợp cho công việc, đó là phần khó nhất. Flowchart sẽ giúp bạn kiểm tra tài liệu và hướng dẫn sơ bộ của từng estimator sẽ giúp bạn biết thêm về các vấn đề và cách giải quyết nó.

Scikit-Learn

Scikit-learn (trước đây là scikits.learn) là một thư viện Machine learning miễn phí dành cho ngôn ngữ lập trình Python. Nó có các thuật toán phân loại, hồi quy và phân cụm khác nhau bao gồm các vector machine hỗ trợ, random forests, gradient boosting, k-means và DBSCAN được thiết kế để tương tác với Python và thư viện khoa học NumPy và SciPy.

Machine learning: Cheat sheet thuật toán

Cheat sheet machine learning  này từ Microsoft Azure sẽ giúp bạn chọn các thuật toán machine learning thích hợp cho giải pháp phân tích tiên đoán của bạn. Thứ nhất, cheat sheet sẽ hỏi bạn về tính chất dữ liệu và sau đó đề xuất các thuật toán tốt nhất cho công việc của bạn.

Python for Data Science

TensorFlow

Google đã công bố thế hệ thứ hai của TPU, cũng như TPU sẵn có trong Google Compute Engine. [12] Các TPU thế hệ thứ hai cung cấp đến 180 teraflop hiệu suất, và khi được tổ chức thành các nhóm 64 TPUs cung cấp lên đến 11,5 petaflops.

Keras

Năm 2017, nhóm TensorFlow của Google đã quyết định hỗ trợ Keras thư viện lõi của TensorFlow. Chollet giải thích rằng Keras là một interface hơn là end-to-end machine-learning framework. Nó trình bày một tập các phép tính trừu tượng cấp cao, trực quan hơn giúp dễ dàng cấu hình neural networks bất kể thư viện backend.

Numpy

NumPy nhắm mục tiêu thực hiện tham chiếu CPython của Python, đó là một giao diện non-optimizing bytecode. Các thuật toán được viết cho phiên bản này của Python thường chạy chậm hơn nhiều so với các trình biên dịch tương đương. NumPy giải quyết vấn đề xử lý chậm bằng cách cung cấp mảng đa chiều, các hàm và toán tử hoạt động hiệu quả trên các mảng, đòi hỏi phải viết lại một số code, chủ yếu là inner loops sử dụng NumPy.

Pandas

Tên ‘Pandas’ bắt nguồn từ thuật ngữ ““panel data “, đây là thuật ngữ dùng cho bộ dữ liệu có cấu trúc đa chiều.

Data Wrongling

Thuật ngữ “data wrangler ” bắt đầu từ nền văn hoá nhạc pop. Trong bộ phim Kong 2017: Skull Island, nhân vật được đóng bởi nam diễn viên Marc Evan Jackson được giới thiệu là “Steve Woodward, người viết dữ liệu của chúng tôi”.

Data Wrangling với dplyr và tidyr

Scipy

SciPy được xây dựng trên đối tượng mảng NumPy và là một phần của stack NumPy bao gồm các công cụ như Matplotlib, pandas và SymPy, và một tập hợp các scientific computing libraries mở rộng. Stack NumPy này có những người dùng tương tự với các ứng dụng khác như MATLAB, GNU Octave, và Scilab. Stack NumPy cũng đôi khi được gọi là stack SciPy. [3]

Matplotlib

Matplotlib là một thư viện cho ngôn ngữ lập trình Python và các phép toán mở rộng của NumPy. Nó cung cấp một API hướng đối tượng để nhúng các mảnh vào các ứng dụng sử dụng các bộ dụng cụ GUI chung như Tkinter, wxPython, Qt, hoặc GTK +. Ngoài ra còn có một thủ tục gọi lf “pylab” interface dựa trên tuyên bố machine (như OpenGL), được thiết kế để gần giống như của MATLAB, mặc dù việc sử dụng nó là nản lòng SciPy sử dụng matplotlib.

Pyplot là một mô-đun matplotlib cung cấp một interface  giống như MATLAB. [6] Matplotlib được thiết kế để có thể sử dụng được như MATLAB, với khả năng sử dụng Python, với lợi thế là nó miễn phí.

Data Visualization

PySpark

Big-O

Bài viết gốc được đăng tải tại Becominghuman.ai

Có thể bạn muốn xem: