通俗易懂的图解机器学习之机器学习概论
❤️通俗易懂的图解机器学习❤️之机器学习概论
(这个是连载的哦…)
文章目录
- ❤️通俗易懂的图解机器学习❤️之机器学习概论
- 一、什么是机器学习
- 1、学习的种类
- 1.1、监督学习
- 1.2、无监督学习
- 1.3、强化学习
- 2、机器学习的例子
- 2.1、回归
- 2.2、分类
- 2.3、异常检测
- 2.4、聚类
- 2.5、降维
- 3、机器学习的方法
- 3.1、 图片1:
- 3.2、 图片2:
- 3.3、图片3:
- 3.4、图片4:
一、什么是机器学习
简介:
近些年来,得益于互联网的普及,我们可以非常轻松地获取大 量文本、音乐’ 图片、视频等各种各样的数据。机器学习,就是让 计算机具有像人一样的学习能力的技术,是从堆枳如山的数据(也称 为大数据)中寻找出有用知识的数据挖掘技术。通过运用机器学习技术, 从视频数据库中寻找出自己喜欢的视频资料,或者根据用户的购买 记录向用户推荐其他相关产品等成为了现实。
1、学习的种类
计算机的学习,根据所处理的数据种类的不同,可以分为监督学习、 无监督学习和强化学习等几种类型。
1.1、监督学习
监督学习,是指有求知欲的学生从老师那里获取知识、信息,老师提供对错指示、告知最终答案的学习过程在机器学习里, 学生对应于计算机,老师则对应于周围的环境根据在学习过程中所获得的经验、技能,对没有学习过的问题也何以做出正确解答,使计算机获得这种泛化能力,是监督学习的最终目标监督学习,在手写 文字识别、声音处理、图像处理、垃圾邮件分类与拦截、网页检索、 基因诊断以及股票预测等各个方面.都有若广泛的应用这一类机器 学习的典型任务包括:预测数值型数据的回归、桢测分类标签的分类、 预测顺序的排序等。
1.2、无监督学习
无监督学习,是指在没有老师的情况下.学生自学的过程在机器学习里,基本上都是计算机在互联网中自动收集信息,并从中获取有用信息无监督学习不仅仅局限于解决像监督学习那样的有明确答案的问题,因此,它的学习目标不必区分明确,无监督学习在人造卫星故障诊断、视频分析、社交网站解析和声音信号解析等方面大显身手的同时,在数据可视化以及作为监督学习方法的前处理L具方面,也 有广泛的应用这一类机器学习的典型任务有聚类’异常检测等。
1.3、强化学习
强化学习,与监督学习类似,也以使计算机获得对没有学习过的问题做出正确解答的泛化能力为目标,倡是在学习过程中,不设置老师提示对错,告知最终答案的环节,然而,如果真的在学习过程中不能从周围环境中获得任何信息的话,强化学习就变成无监督学习, 强化学习,是指在没有老师提示的情况下,自己对预测的结果进行评估的方法。通过这样的日我评估,学生为厂获得老师的最高嘉奖而不断地进行学习,婴幼儿往往会为了获得父母的表扬去做努力, 因此,强化学习被认为是人类主要的学习模式之一。强化学习,在机器人的自动控制、计算机游戏中的人工智能,市场战略的最优化等方面均有广泛应用在强化学习中经常会用到回归、分类、聚类和降维 等各种各样的机器学习算法。
2、机器学习的例子
简单介绍的话,差不多就是:1、回归,2、分类,3、异常检测,4、 聚类和5、降维等等。
2.1、回归
回归,是指把实函数在样本点附近加以近似的有监督的函数近似问题。这里,我们来考虑一下以d次方的实数向量;c作为输入,实数值0作为输出的函数y = f(x)的学习问题。在监督学习里,这里的函数关系是未知的,作为训练集的输入输出样本是已知的, 但是,一般情况下,在输出样本的点实值f(x.)中经常会观测到噪声。通过这样的设定,输入样本就是学生向老师请教的问题.,输出样本就是相当于老师对学生的解答,输出样本中包含的噪声则与老师的教学错误或学生的理解错误相对应。老师的知识(无论什么样的问题, 都可以做岀正确的解答)与真实的函数f相对应,使学生获得这个函数就是监督学习的最终目标。如果以f来表示学生通过学习而获得的函数, 那么学生对没有学习过的问题也可以做出正确解答的泛化能力的大小, 就可以通过比较函数f和E的相似性来进行分析。
2.2、分类
分类,是指对指定的模式进行识别的问题。在分类问题中,并不存在类别1比类别3更接近于类别2这样的说法分。类问题只是单纯地对样本应该属于哪一个类别进行预测。并根据预测准确与否来衡址泛化误差,这一点与回归是不同的。
2.3、异常检测
异常检测,是指找出输入样本中所包含的异常数据的问题,在已知正常数据与异常数据的例子的情况下,其与有监督的分类问题是相同的。但是,一般情况下,在异常检测任务中,对于什么样的数据是异常的,什么样的数据是正常的,是事先是未知的,在这样的无监督的异常检测问题中,一般釆用密度估计的方法,把靠近密度中心 的数据作为正常的数据,把偏离密度中心的数据作为异常的数据。
2.4、聚类
聚类,与分类问题相同,也是模式识别问题,但是属于无监督学习的一种。即只给出输入样本然后判断各个样本分别属于中的哪个簇,隶属于相同族的样木之间具有相似的性质,不同簇的样本之间具有不同的性质,在聚类问题中,如何准确地计算样本之间的相似度是很重要的课题。
2.5、降维
降维.是指从高维度数据中提取关键信息,将其转换为易于计算 的低维度问题进而求解的方法。在转换为较低维度的样本之后,应该保持原始输入样本 的数据分布性质,以及数据间的近邻关系不发生变化。
3、机器学习的方法
机器学习有多种不同的流派,本节中,对机器学习中的主要流派,即产生式分类和判别式分类,以及频率派和贝叶斯派的基本方法加以介绍。
这段内容由于有较多的图片,和一些复杂的公式,我们于是直接在这里使用图片进行展示就可以了:
3.1、 图片1:
图1
3.2、 图片2:
图2
3.3、图片3:
图3
3.4、图片4:
图4
END.
谢谢大家的阅读,期待大家的持续关注哦,本专栏里面全都是关于机器学习的内容哦,期待大家关注本专栏鸭。
最后,感谢大家的阅读与支持,期待大家的招财手点个赞,反正也不费啥事嘛。
通俗易懂的图解机器学习之机器学习概论相关推荐
- 【图解例说机器学习】模型选择:偏差与方差 (Bias vs. Variance)
目录 一个例子:多项式回归中的阶数选择 防止过拟合 增加训练数据 正则化 偏差与方差 理论推导 偏差与方差的折中关系 附录 机器学习的过程大致分为三步:1)模型假设,比如我们假设模型是线性回归,还是多 ...
- 模式识别与机器学习·第一章——概论
模式识别与机器学习·第一章--概论 开篇 模式识别 模式 识别 机器学习 研究目的 发展历史 模式识别简史 机器学习简史 系统方法 系统目标 假说的获得 系统的构成 小结 开篇 这系列博客主要用来回忆 ...
- 我爱机器学习网机器学习类别文章汇总
机器学习领域的几种主要学习方式 From Stumps to Trees to Forests KDD-2014 – The Biggest, Best, and Booming Data Scien ...
- 【机器学习】机器学习的经典算法
[机器学习]机器学习的经典算法 https://www.cnblogs.com/DicksonJYL/p/9517025.html 本文为整篇文章第二部分,整篇文章主要目录如下: 1:一个故事说明什么 ...
- 【机器学习】机器学习概述
简单的一句话:让机器从数据中学习,进而得到一个更加符合现实规律的模型,通过对模型的使用使得机器比以往表现的更好,这就是机器学习. 机器学习是实现人工智能的一种途径,它和数据挖掘有一定的相似性,也是一门 ...
- 机器学习(1.机器学习概述、数据集的组成以及机器学习的特征工程)
什么是机器学习? 机器学习是从数据中自动分析获得规律(模型),并利用规律对未知数据进行预测 为什么需要机器学习 解放生产力.解决专业问题.提供社会便利 机器学习应用场景 自然语言处理.无人驾驶. ...
- pytorch机器学习_机器学习— PyTorch
pytorch机器学习 PyTorch : It is an open source machine learning library based on the Torch library (whic ...
- 秒懂机器学习---当机器学习遇上决策树....
秒懂机器学习---当机器学习遇上决策树.... 一.总结 一句话总结: 多多看图,图的直观效果很好,很多时候文字实在表达不清 1.决策树(Decision Tree)中的各个节点表示什么意思? 每一个 ...
- 【机器学习】机器学习从零到掌握之二 -- 教你实现K近邻算法
本文是<机器学习从零到掌握>系列之第2篇 [机器学习]机器学习从零到掌握之一 -- 教你理解K近邻算法 伪代码如下: 对未知类别属性的数据集中的每个点一次执行以下操作: (1)计算已知类别 ...
- [当人工智能遇上安全] 3.安全领域中的机器学习及机器学习恶意请求识别案例分享
您或许知道,作者后续分享网络安全的文章会越来越少.但如果您想学习人工智能和安全结合的应用,您就有福利了,作者将重新打造一个<当人工智能遇上安全>系列博客,详细介绍人工智能与安全相关的论文. ...
最新文章
- 解决Jsp与Java后台之间url传值中文乱码问题
- 浅谈MyBatis一级缓存
- 数据库-数据库的常用术语
- Objective-C语言的动态性
- invoke-rc.d: initscript systemd-logind, action start failed
- bypass最新版d盾mysql_Bypass D盾_IIS防火墙SQL注入防御(多姿势)
- IOS开发笔记 - 关于导航标题栏的颜色问题
- 【Caffe代码分析】DataLayer
- Xshell、Xftp免费版本
- Linux 操作系统下的指纹开发
- 宝塔Linux面板 5.9专业版破解,付费插件安装免费使用,全网首发!
- 使用exceljs导出excel表格
- java游戏服务器开发需要学习的技术
- 人工智能资料库:第37辑(20170220)
- 计算机网络实验报告文件共享,实验报告局域网的文件共享、互联网的使用.doc...
- 中文汉字转换成拼音首字 拼音全拼
- C++语言学习笔记15:Clean 垃圾清理插件
- Ubuntu20.04安装vscode打开出现花屏
- 【CodeForces】Codeforces Round 583
- Geekbench跑分及功耗对比:A15 麒麟9000 高通8Gen1 三星exynos2100 天玑1200
热门文章
- 完全卸载迈克菲Mcafee的工具
- oracle roseha 配置,RoseHA 9.0 for Windows配合Oracle11g配置文档_v2.0-2015-04.pdf
- 数据库学习整理之常见运算符
- 中文版Excel 2007公式与函数应用宝典
- The StL Format(StL 格式)
- 净初级生产力(NPP)空间分布数据汇总整理
- 永洪bi_永洪bi相关优惠价格-永洪bi的技术博客问答-阿里云
- Java拦截器和过滤器的作用和区别
- Java 定时任务JOB
- python教师管理系统,Python面向对象实战:学生教师信息管理(3)