一直苦于没有办法自测一下机器学习知识掌握程度，最近看到一篇Ankit Gupta写的博客：Solutions for Skilltest Machine Learning : Revealed。有40题机器学习自测题，马上可以看看你的机器学习知识能打几分？顺便还能查漏补缺相关术语，以及SVM, 隐马尔科夫, 特征选择, 神经网络, 线性回归等众多知识点.
以下是试题, 附答案：
Q1：在一个n维的空间中， 最好的检测outlier(离群点)的方法是：
A. 作正态分布概率图
B. 作盒形图
C. 马氏距离
D. 作散点图
答案：C
马氏距离是基于卡方分布的，度量多元outlier离群点的统计方法。更多请详见：这里和”各种距离“。
Q2：对数几率回归（logistics regression）和一般回归分析有什么区别？： 继续阅读#12 机器学习能力自测题—看看你的机器学习知识能打几分？不容错过的机器学习试题与术语
林子大了，什么“树”都有 ！
最近神经网络被学界和业界都玩坏了。之前David 9也跟风一连几篇神经网络的文章。神经网络确实到了一个新高度，其他机器学习算法在目前甚至十年以内显得黯然失色。
但是，David 9不希望大家错过其他也很棒的机器学习算法比如随机森林。虽然不如神经网络在某些领域光芒万丈，随机森林因为其方便快捷的使用，以及训练模型的简单，目前依旧深受许多数据科学家的喜爱。
如果你的老板有一堆数据，想做数据挖掘，想找一点“高大上”的算法而且容易实现，选随机森林吧。不仅比神经网络门栏低，而且对于大多数情况的数据形式，都是可以训练的。而且，有时结果好的让你惊讶。
随机森林是集成学习中的一种算法。下面这张图带大家回顾集成学习:
之所以叫做随机森林，很明显，这个模型是通过许多决策树集成学习而来的。集成学习是啥？如果你还不知道，请看我们之前的博客：“#3 集成学习–机器学习中的群策群力 !”和“聊聊集成学习和”多样性”, “差异性”的那些事儿~”。 继续阅读#10 随机森林101—用人话解释随机森林，用python使用随机森林
在文章“手把手教你写一个生成对抗网络”中，我们谈到过生成对抗网络。意犹未尽的是，只是了解生成对抗网络的基本原理和算法形式，对于训练结果还没有仔细研究。
最近拜读了机器学习四大神之一Yann LeCun (燕乐存 目前在facebook就职) 今年发表的论文“ENERGY-BASED GENERATIVE ADVERSARIAL NETWORK”。基于能量模型的生成对抗网络，训练结果真的很不错。不像一般的生成网络，生成的图片像素随机性大，字体边界模糊。看下图论文在MNIST集上的比较：
左边是一般GAN(生成对抗网络)的生成数字， 右边就是论文的改进EBGAN(基于能量的生成对抗网络)。可以很明显地看出，改进的生成数字比较清晰，连接也比较流畅 。传统GAN生成的数字就比较模糊，像素连贯性较差。 继续阅读#11 基于能量模型的生成对抗网络–生成对抗网络进阶
