机器学习介绍

1. 监督学习(supervised learning):

给定输入样本集，机器可以从中推演出指定目标的可能结果。
一般采用两种类型的目标变量：标称型和数值型。
- 标称型：标称型目标变量的结果只有在有限目标集中取值，如真与假，动物分类集合
{爬行类，鱼类， 哺乳类，两栖类}
- 数值型：数值型目标变量可以在无限数值集合中取值，如 0.001、
42.001、 1000.743 等。数 值型目标变量主要用于回归分析。

2. 无监督学习：数据没有类别信息，不会给定目标值。
- 聚类：无监督学习中，将数据集合分成由类似对象组成的多个类的过程
- 密度估计：将寻找数据统计值的过程称为密度估计

机器学习基础
------------

1. 概念：何为机器学习，将无序的数据转换成有用的信息
2. 数据获取：譬如可以在人们手机上装app，通过许多手机的磁力计得到信息
3. 术语：
- 专家系统
- 属性/特征
- 分类
- 目标变量(类别)
- 训练数据和测试数据

4. 任务：
1. 监督学习(知道预测什么，即目标变量的分类信息)
- 分类：将实例数据划分到合适的分类中，譬如数据拟合曲线
- 回归：主要用于预测数值型数据

2. 无监督学习(数据无类别信息，不给目标值)
- 聚类：数据集合分成类似对象组成的集合
- 密度估计：寻找数据统计值的过程
- 无监督学习还可以减少数据特征的维度，以便我们可以使用二维或三维图形展示数据

5. 开发步骤
1. 收集数据
2. 准备输入数据
3. 分析输入数据
4. 训练算法
5. 测试算法
6. 使用算法

时间： 2024-08-07 00:13:13

机器学习介绍的相关文章

Stanford公开课机器学习---1.Intrduction 机器学习介绍

文章是下面这个公开课的个人笔记,推荐的笔记里记的比较全,完全依据视频课程(有少量小错误),我的笔记依据课程按自己的理解记录一些重点,方便快速回顾.另外自己开始学这门课时搜到的好的资料,推荐给大家: |- Coursera上斯坦福大学Andrew Ng教授的"机器学习公开课" |-- 类 别:适合入门 |-- 网页地址: https://www.coursera.org/learn/machine-learning/outline |-- 学习笔记:推荐 @小小人_V 同学这门课程的学习

最通俗的机器学习介绍

最通俗的机器学习介绍 https://zhuanlan.zhihu.com/p/43612979 摘要:在本文中,我将描述数据分析是如何与机器学习相关的,还将揭开机器学习中的一些荒唐和错误的说法,并解释机器学习的过程和类型. 如果你不是一个人工智能专家,不要担心,我不会提及线性回归和k-均值聚类. 数据分析和机器学习 如果你认为大数据仅仅是关于SQL语句查询和海量的数据的话,那么别人也会理解你的,但是大数据真正的目的是通过对数据的推断,从数据中获取价值.从数据中发现有用的东西.例如,"如果我降低

01_机器学习介绍

01 机器学习介绍 人工智能的发展 人工智能 - 机器学习 - 深度学习 机器学习的用途 图像识别 CV 无人驾驶 医疗 - 识别CT图细微区别 图片艺术化 iphone 人脸识别 自然语言处理 NLP 新闻自动生成机器人 传统预测 信贷.销量预测 机器学习库和框架 Scikit-learn Pytorch Tensorflow 学习书籍推荐 统计学习方法 (不建议直接读) 2.编程实战类 (课程结束后,重点关注案例) 学习目标 机器学习各种算法原理 算法的使用 算法库和框架 什么是机器学习?

人工智能_1_初识_机器学习介绍_特征工程和文本特征提取

# 人工智能:预测,分类 # 人工智能: # 自动的工作 # 机器学习(包含深度学习) # 以前的限制因素:计算能力,数据,算法发展 # 用途: # 图像识别 # 识别图片中不同的地方(医学CT) 不用人工识别 # 图片艺术化(可以替代ps) # 无人驾驶 # 人脸识别 # 自然语言处理 # 语音识别 # 自动写报告 # 传统预测 # 性能评估 # NLP # 推荐系统 # 机器学习的数据:文件格式,csv(逗号分隔值) # 不使用数据库: # 1,性能瓶颈,数量过多,2,3GB 读取慢 # 2

基于 Python 和 Scikit-Learn 的机器学习介绍

Reference:http://mp.weixin.qq.com/s?src=3&timestamp=1474985436&ver=1&signature=at24GKibwNNoE9VsETitURyMHzXYeytp1MoUyAFx-2WOZTdPelAdJBv9nkMPyczdr4riYdUZWOaUInIFOxWELVDugvJJxpeEgp5KWDFFtwR8VYalYfPvdWdrmi*Qoq9shyPnROU3Tch32ieV9V8clw== 现在,很多人想开发高效

数据挖掘与机器学习介绍

数据挖掘 1.定义: 数据挖掘(Data Mining)是有组织有目的地收集数据,通过分析数据使之成为信息,从而在大量数据中寻找潜在规律以形成规则或知识的技术. 2.数据挖掘与机器学习的关系: 机器学习可以用来作为数据挖掘的一种工具或手段: 数据挖掘的手段不限于机器学习,譬如还有诸如统计学等众多方法: 但机器学习的应用也远不止数据挖掘,其应用领域非常广泛,譬如人工智能: 机器学习 1.定义: 机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论.统计学.逼近论.凸

机器学习介绍及基本概念

什么是机器学习? 机器学习技术的存在,使得人们可以享受强大的垃圾邮件过滤带来的便利,拥有方便的文字和语音识别软件,能够使用可靠的网络搜索引擎,同时在象棋的网络游戏对阵中棋逢对手,而且在可见的将来,我们将拥有安全高效的无人驾驶汽车. 分类: 监督学习(supervised learning).无监督学习(unsupervised learning)和强化学习(reinforcement learning). 监督学习: 监督学习的主要目的是使用有类标的训练(training)数据构建模型,我们可以

01-introduction 图机器学习介绍

Networks: Networks are a general language for describing complex systems of interacting entities. 网络(关系图)是描述交互实体复杂系统的通用语言 Networks/Graph 的两种类型:1) Networks(Natural Graphs 自然网络):如 社会,基因或蛋白质的交互 2) Information Graph(信息图):信息/知识是经过组织和链接的:(scene graphs)实体在特

斯坦福大学 机器学习 相关知识点介绍

1 机 器 学 习 介 绍 1 机器学习介绍 "机器学习研究的是如何赋予计算机在没有被明确编程的情况下仍能够学习的能力. (Field of study that fives computers the ability to learn without being explicitly programmed.)" "对于某个任务 T 和表现的衡量 P,当计算机程序在该任务 T 的表现上,经过 P 的衡量,随着经验 E 而增长,我们便称计算机程序能够通过经验 E 来学习该任务.