机器学习算法如何在后台工作是很多人不理解的一个方面。CNN层看到什么？反向传播是如何工作的？图层中的权重究竟如何更新？这些是我们反复想到的一些问题。对于预计难以将数学方程式与理论对齐的初学者来说，这些概念可能特别难以抗拒。好消息是有些人理解这种痛苦并希望提供其他形式的学习。本文是五个此类工具的汇编，它们超越了理论，提供了对标准机器学习概念的直观介绍。1.MLaddict.com>来源：https://www.mladdict.com/如果你想了解以下四种算法的基本数学概念，mladdict.com是一个很棒的工具：线性回归神经网络递归网络QLearningAgentsIt在您的浏览器中打开一个模拟器，并演示算法的每个阶段会发生什么。下面是一个模拟器演示，展示了如何使用梯度下降算法进行线性回归。2.VisualExplanation>来源：mladdict.comVisualExplanation(EV)(https://setosa.io/ev)是一项旨在让具有挑战性的想法变得直观的实验。它的灵感来自BretVictor的《探索解释》。该站点上最近更新的文章可以追溯到2017年，因此您找不到任何最新资料，但那里的资料非常棒。由于它们创建得如此精美，我从一些博客中借用了一些视觉解释。下面简单介绍EV如何解释主成分分析（PCA）的概念。查看他们的网站以找到其他令人兴奋的作品。3.SeeingTheory>来源：https://seeing-theory.brown.edu/SeeingTheory是一个直观介绍概率统计的网站。该网站的目标是通过交互式可视化使统计数据更易于访问。本书对以下六个统计概念进行了直观的解释。BasicProbabilityCompoundProbabilityProbabilityDistributionConventionalInferenceBayesianInferenceRegressionAnalysis下面看看理论如何介绍概率论的基本概念。4.R2D3:StatisticsandDataVisualization>来源：R2D3:StatisticsandDataVisualizationR2D3(http://www.r2d3.us/)是一个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概念。该网站目前提供以下主题：第1部分：决策树第2部分：机器学习世界中的偏差和方差设计了解COVID-19以下是如何可视化决策树以进行分类5。CNNExplainer>来源：https://poloclub.github.io/cnn-explainer/CNNExplainer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)。CNNExplainer是一个结合了CNN的模型概览和动态可视化解释的工具，帮助用户理解CNN的基本组成部分。通过跨抽象级别的平滑过渡，我们的工具使用户能够检查低级数学运算和高级模型结构之间的相互作用。结论总之，我们研究了五种有用的工具，它们使机器学习和统计概念的学习变得更加有趣。正确地说，一张图片胜过一千个单词。当以交互方式呈现时，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门槛。
