【机器学习】概述

文章目录

    • [1. 机器学习三步骤](#1. 机器学习三步骤)
    • [2. 机器学习图谱](#2. 机器学习图谱)
      • [2.1 任务类型 (Task)](#2.1 任务类型 (Task))
      • [2.2 模型选择 (Methods)](#2.2 模型选择 (Methods))
      • [2.3 学习场景 (Scenario)](#2.3 学习场景 (Scenario))

1. 机器学习三步骤

  1. 定义一个模型 (Define a set of function)

    • 选择一组合适的函数来表示模型。
  2. 评估模型好坏 (Goodness of function)

    • 找到一个损失函数,用来评价模型的性能。
  3. 选择最佳函数 (Pick the best function)

    • 在模型中选择一个最终的函数,优化其性能。

2. 机器学习图谱

2.1 任务类型 (Task)

  • 回归问题 (Regression)

    • 输出为数值,是对连续变量的预测。
  • 分类问题 (Classification)

    • 输出为类别,是对离散变量的预测。
  • 结构化问题 (Structured Prediction)

    • 机器输出的是具有结构性的结果,如语音识别、机器翻译、人脸识别等。

2.2 模型选择 (Methods)

  • 线性模型 (Linear Models)

  • 非线性模型 (Non-linear Models)

    • DNN / CNN (深度神经网络/卷积神经网络)
    • SVM (支持向量机)
    • 决策树 (Decision Trees)
    • K-NN (K近邻)
  • 同样的问题可以使用不同的模型进行解决。


2.3 学习场景 (Scenario)

  • 监督学习 (Supervised Learning)

    • 数据是有标注的,每个样本都对应一个标签。
  • 半监督学习 (Semi-supervised Learning)

    • 数据是部分有标注 和部分无标注的。
  • 无监督学习 (Unsupervised Learning)

    • 数据是无标注的,主要关注特征提取而非标签,如聚类、降维等。
  • 迁移学习 (Transfer Learning)

    • 数据来自不同的类别,有时有标注有时无标注,通过迁移知识进行学习。
  • 强化学习 (Reinforcement Learning)

    • 机器通过与环境交互获得反馈(奖励/惩罚),如AlphaGo,并基于这些反馈调整策略。

相关推荐
Csvn8 小时前
同一个问题问 100 遍,钱就扣 100 次?精确缓存让它只扣一次(C02)
人工智能·aigc·agent
罗西的思考9 小时前
【轻量化复刻大模型 / KIMI K3】Multi-Token Prediction(MTP / EAGLE-3)(2)
人工智能·算法·机器学习
罗西的思考9 小时前
【轻量化复刻大模型 / KIMI K3】Multi-Token Prediction(MTP / EAGLE-3)(1)
人工智能·算法·机器学习
汤姆宝库9 小时前
BPE分词器的完整实现:字节对合并与词表构建
开发语言·人工智能·c#
岁月宁静9 小时前
从零拆解 AI 语音模拟面试系统
人工智能·python·agent
武子康10 小时前
H3-World 接入 Game Agent:谁来判断门真的打开了?
人工智能·算法·机器学习
可乐ea11 小时前
MCP 和 CLI 差 42 倍:一次 GitHub 任务的上下文成本实测
人工智能·github·工具调用·ai智能体·openrouter·mcp协议·上下文优化
kyriewen11 小时前
编辑弹窗点了取消,列表里的数据怎么还是变了?
前端·javascript·人工智能
泯泷11 小时前
Multica 真正打动我的,不是更多 Agent,而是一种新的团队协作方式
人工智能·llm·agent
电科_银尘11 小时前
【深度学习项目实战·22】灰度图像着色:用小型U-Net学习从灰度到RGB
人工智能·深度学习·学习