机器学习概述

一,机器学习概述

1.机器学习概念

新的数据--->输入--->训练--->预测--->未知数据

人工智能>机器学习>深度学习

2.涉及学科:微积分(偏导数,向量---值函数,方向梯度),概率论(bayes定理,组合学,抽样方法),计算科学,凸分析,算法复杂度

3.机器学习发展史
1950(阿兰.图灵创造了"图灵测试")--->1957(Frank Rosenblat设计出第一个计算机神经网络感知机)--->1981(Geral Dejong提出基于解释的学习)--->1990年代机器学习的方法从知识驱动转为数据驱动--->2016年谷歌的人工智能算法打败围棋专业选手

4.机器学习应用场景

属性预测,价值评估,客户分层,异常检测,疾病检测,风险管控,个性化推荐,垃圾信息识别,智能排序,等级评分,流失预警,文本识别,图像识别,量化交易分析,用户画像,路径优化,店铺选址,资源优化,作诗作歌词,恶意软件识别,精准营销,智能投顾,搜索优化,诈骗检测,关联匹配等

二,机器学习的分类

1.机器学习算法划分
监督学习:分类,回归,排序,匹配学习
半监督学习:Transductive SVM,协同训练
非监督学习:聚类,关联
强化学习:PPO,A2C/A3C

2.机器学习一般过程

数据采集--->数据处理--->选择建模算法--->结果实施

3.无监督有监督概念
无监督:是指在未加标签的数据中,根据数据本身质检的属性对数据进行分类,相似相近的数据分为同一类,不相相似或不相近的数据分在不同的类中
有监督:通过已知数据以及其对应的输出来训练,得到耦合最优模型,再利用这个模型将所有新的数据样本映射为应用的输出结果,对输出结果进行简单的判断从而实现分类。

4.有监督常见算法

K-Means,K-Mediods,DBSCAN,Aprior,FP-Growth

三,机器学习术语与概念

  • 数据集:训练集,验证集,测试集:训练模型的数据集合
  • 样本,示例:行Record一个事件或对象
  • 属性,特征:列feature性质
  • 样本空间:属性成长空间
  • 训练数据,训练样本:模型训练
  • 学习,训练:从数据集中学得模型的过程
  • 模型,学习器:训练后的结果
  • 模型评价:评估模型性能优差过程
  • 目标函数:算法学习后得到的参数,阈值,比例等构成的函数
  • 损失函数,代价函数:评估原始数据与预测数据差距的函数评估模型效果
  • 泛化能力:机器学习的目标是使得学的模型能够很好地适用于新的样本,而不是仅仅在训练样本上工* * 作的很好,学得的模型适用于新样本的能力称之为泛化能力
  • 误差:学习到的模型在样本上的预测结果与样本的真实结果之间的差。
  • 训练误差:在训练集上
  • 泛化误差:在新样本上
  • 过拟合,欠拟合:
相关推荐
deephub3 分钟前
使用 PyTorch-BigGraph 构建和部署大规模图嵌入的完整教程
人工智能·pytorch·深度学习·图嵌入
deephub35 分钟前
优化注意力层提升 Transformer 模型效率:通过改进注意力机制降低机器学习成本
人工智能·深度学习·transformer·大语言模型·注意力机制
搏博1 小时前
神经网络问题之二:梯度爆炸(Gradient Explosion)
人工智能·深度学习·神经网络
CHEtuzki1 小时前
录播?无人直播?半无人直播?
ai·直播·抖音·电商
KGback1 小时前
【论文解析】HAQ: Hardware-Aware Automated Quantization With Mixed Precision
人工智能
电子手信1 小时前
知识中台在多语言客户中的应用
大数据·人工智能·自然语言处理·数据挖掘·知识图谱
不高明的骗子1 小时前
【深度学习之一】2024最新pytorch+cuda+cudnn下载安装搭建开发环境
人工智能·pytorch·深度学习·cuda
Chef_Chen1 小时前
从0开始学习机器学习--Day33--机器学习阶段总结
人工智能·学习·机器学习
搏博1 小时前
神经网络问题之:梯度不稳定
人工智能·深度学习·神经网络
databook2 小时前
『玩转Streamlit』--布局与容器组件
python·机器学习·数据分析