机器学习必要入门基础知识教程

版权声明:本文为作者原创文章,转载请附上原文出处链接和本声明。
本文链接:https://www.weijc.cn/jdetail/243982195057495040

机器学习的基础知识是什么,以及在机器学习应用程序中评估风险和其他问题的必要工具是什么?本文介绍机器学习必要入门基础知识教程。

机器学习的目标是在数据中找到模式并使用这些模式进行预测,它还可以为我们提供一个讨论机器学习问题和解决方案的框架方法。

首先,我们将从机器学习的定义和应用开始,然后,我们将讨论机器学习中的抽象,并使用它来构建我们的讨论:数据,模型,优化模型和优化算法,并总结使用机器学习的实用指南。

那么,机器学习到底是什么?

机器学习通常是一组用于查找数据模式的技术,应用范围从自动驾驶汽车到个人AI助手,从英语和中文之间的翻译到语音和文本之间的翻译。机器学习的一些常见应用已经或可能潜入日常工作中。

  1. 检测异常
    识别网站流量的高峰或突出显示异常的活动。

  2. 推荐相似的内容
    查找你可能正在寻找的产品,或者相关文章。

  3. 预测未来
    规划车辆的路径或确定并推断股票的市场趋势。

以上是机器学习的许多应用中的一小部分,但大多数应用程序与学习数据的基础分布有关。分布指定每个事件的事件和概率。例如

  1. 有50%的概率,你买一件物品50RMB-100RMB。

  2. 有概率为1%,你购买的物品> 100RMB。

使用此分发,我们可以完成上述所有任务:

  1. 检测异常
    购买100RMB物品,我们可以称之为异常。

  2. 推荐相似内容
    购买一件物品价格在50RMB-100RMB。

  3. 预测未来
    如果没有任何先前的信息,我们可以预测下次购买将是50RMB-100RMB。

通过分发数据,我们可以完成无数的任务。总之,机器学习的一个目标是学习这种分布。

抽象

机器学习中有无数的主题,为了更好地了解每个部分在更大的图片中的位置,需要学习各种抽象分类。

以下分类摘自加州大学伯克利分校的Jonathan Shewchuck教授:

应用程序和数据:考虑问题的可能输入和所需输出。

模型:确定所考虑的功能类别。

优化问题:制定数学的具体目标。

优化算法:确定如何解决优化问题。

机器学习主要是学习了解机器工作原理与结构,程序应用学习数据的基础分布与抽象分类学习。

展开阅读全文
还能输入1000个字符