机器学习与深度学习

1.机器学习相关算法：

p.p1 { margin: 0.0px 0.0px 0.0px 0.0px; font: 12.0px ".PingFang SC"; color: #454545 }
span.s1 { font: 12.0px "Helvetica Neue" }

线性回归、K-means、决策树、随机森林、主成分分析、支持向量机，强化学习，贝叶斯网络

线性回归：解决数据预测问题，曲线弥合，已知{x1,x2,x3,...} , {y1,y2,y3,...} , 用一条曲线描述已知点的规律。 常用：最小二乘法。

K-means : 用距离给离散的数据聚类，  首先给出几个中心点，以中心点聚类 =》 求 每个分类的均值，如果均值等于中心点，结束，如果不相等，以均值为中心点，再次聚类。

决策树： 多个特征，每个特征权重不同，特征进行分类，形成一棵树， 常见算法有 ID3，C4,5,  LR+ BGDT,

随机森林：多棵决策树，组成森林。

贝叶斯网络：解决逆概率问题。

2。 深度学习：

p.p1 { margin: 0.0px 0.0px 0.0px 0.0px; font: 12.0px ".PingFang SC"; color: #454545 }

基于人工神经网络，多层神经网络，神经元

机器学习与深度学习 区别：

机器学习是用算法真正解析数据，不断学习，然后对世界中发生的事做出判断和预测。

深度学习是每一个神经元会对输入的信息进行权衡，确定权重，搞清它与所执行任务的关系，比如有多正确或者多么不正确。最终的结果由所有权重来决定。最终会给出一个概率，例如：吴恩达用几千万张图片来识别猫。

原文地址：https://www.cnblogs.com/songsh/p/9463108.html