如何更高效的自學機器學習？機器學習不過是一個尤其大的范疇，高效穩(wěn)定自學機器學習有兩個方面的關(guān)鍵要素：簡單的方法要對機器學習有一個宏觀層面的認識，明白了哪些是領域是很熱門且重點領域，你做到抓住重點，做到

如何更高效的自學機器學習？

機器學習不過是一個尤其大的范疇，高效穩(wěn)定自學機器學習有兩個方面的關(guān)鍵要素：簡單的方法要對機器學習有一個宏觀層面的認識，明白了哪些是領域是很熱門且重點領域，你做到抓住重點，做到精準；或者，你要在熟練的掌握掌握一門語言工具的前提下結(jié)合詳細項目實踐，增強自己的實踐經(jīng)驗，這個地方我給python打一個廣告。

下面說一些具體一點的東西，可能會對你所幫助。

1:機器學習也可以幫忙解決哪些問題？

主要注意統(tǒng)稱兩類問題：分類問題和回歸問題，其中分類問題又也可以分成三類多分類問題和多標簽多分類問題。其他還有很多三階版本的問題，像是由多個問題復合法而成，比如對象檢測，實際中是把圖像分割和分類問題全部整合到了互相；

2:機器學習算法有哪些？

我們確切可以將機器學習的算法可分傳統(tǒng)機器學習和深度學習算法。比較傳統(tǒng)機器學習算法中，較常見的有SVM，決策樹，隨機森林等，大都在sklearn中進行了集成，可以不非常方便的調(diào)用。深度學習算法要注意依賴感自學框架，主流的真包含Tensorflow和PyTorch，各有優(yōu)缺點，請自身所了解做及時選擇。比如是深度學習的網(wǎng)絡結(jié)構(gòu)又是可以統(tǒng)稱卷積神經(jīng)網(wǎng)絡，遞歸神經(jīng)網(wǎng)絡，自動出現(xiàn)編碼器，抵抗生成網(wǎng)絡，圖卷積神經(jīng)網(wǎng)絡等。目前深度學習在各個領域都取得了巨型的性能提升，是機器學習中的重點領域，另外圖卷積也慢慢的藍月帝國重中之重；

3:最常見的一種的機器學習的流程是什么樣的？

一個且又像是性的流程由這么大幾部分近似：數(shù)據(jù)集收拾，數(shù)據(jù)集預處理，數(shù)據(jù)集劃分（訓練集，測試集，驗正集，最常見比例7:1:2），模型訓練，模型不驗證，模型測試。

4:怎摸作品評價模型性能好壞？最常見指標有哪些？

我們常見在用修改密保集的數(shù)據(jù)測試并你選擇結(jié)果的模型，然后把用測試數(shù)據(jù)集來測試我們模型的性能。能得到終于模型后，我們也可以不使用相當大的的的測試數(shù)據(jù)集來進一步評估公司模型的性能。評估模型性能，我們就不需要使用詳細的性能指標。據(jù)數(shù)據(jù)集中不同類別樣本的比例，我們將數(shù)據(jù)集統(tǒng)稱均衡分配數(shù)據(jù)集和非均衡全面數(shù)據(jù)集。均衡數(shù)據(jù)集我們也可以建議使用準確率、損失值、馬修斯系數(shù)、F1-score、ROC曲線包括AUC值等指標，這類數(shù)據(jù)集的評估低些很難。是對非均衡分配數(shù)據(jù)集，我們要謹慎的使用準確率來衡量能力模型性能，增強詳細問題，我們好象更多的使用F1-score和ROC-AUC等指標。

5:關(guān)於大學英語數(shù)據(jù)集。

現(xiàn)在網(wǎng)上有很多公開的且標出較為完善的數(shù)據(jù)集，包括圖像的、序列的、文本的等等，為機器學習需要提供了良好的學習環(huán)境。練手階段需要充分利用這些資源！

至于，機器學習也不是可用的，很多情況下性能取決數(shù)據(jù)和問題定義，并非每一個問題都能用機器學習能解決。更何況面對現(xiàn)實的東西問題，要很謹慎樂觀，不可隨意盲目相信跳坑！

空壓機在穩(wěn)定運轉(zhuǎn)時,為什么有周期性速度波動？

速度周期性波動是因此相位差力臂和正弦轉(zhuǎn)動慣量的周期性變化影響到的。(機械的幾何中心和回轉(zhuǎn)中心不平行的線)

在波動的一個周期內(nèi)，再輸入功和總耗功是成比例的，因此機器的平均速度是很穩(wěn)定的。但在一個周期中，任一時間間隔中輸入功和總耗功當然不大小關(guān)系，因為即時速度又是變化的。.例如沖床中，沖頭每沖一個零件，速度就空間波動四次。

這種速度波動的大小可用飛輪來壓制。裝置飛輪的實質(zhì)那就是提升機械的轉(zhuǎn)動慣量，增加周期性速度波動的程度。

這應該是是機組全力運轉(zhuǎn)與飛輪調(diào)節(jié)平衡相關(guān)的知識吧：）