对于机器学习的几点理解

1、机器学习，我对它的理解就是，通过少量的编程，能够赋予计算机自我解决问题的能力，本质是一种预测。

2、机器学习的概念和技术发展了好些年了，这两年和深度学习一起成为技术中的佼佼者。但是机器学习不是万能的，也是比较麻烦的。

说它不是万能的是因为，有些问题的模式，通过机器学习算法没办法解决，问题本身没有规律，没有固定的分布，你让机器如何学习。因此我们要正确的看待机器学习，理智一些。

说它麻烦，是因为大部分的机器学习相关的工作，不是去写一些算法，而是收集数据，整理数据，清洗数据，这些前提工作。因为只有得到了较为纯正的数据之后，我们的算法才能学到有用的东西，否则学到的就是没用的。

机器学习的优点也是比较明显的，通过机器学习算法，我们对于预测的结果，能够给与很强的可解释性。比如，再用决策树进行分类或者回归的时候，通过信息增益和信息增益率对特征进行选择。还有，一些回归的问题，通过机器学习算法，求得一组参数，使其能够拟合一条线，对待预测的问题给与一个结果。

3、机器学习，会随着数据量的增大的增大出现一个瓶颈，就是性能达到某个范围之后，不再会有提升，但是深度学习是随着数据量的增大的增大，能够表现出超过传统机器学习的性能。我们对深度学习，也要积极学习。因为它确实能够解决某些问题。

4、机器学习最难的是什么？不是数据的收集，和数据的清洗等，而是把现实中的问题，提炼出一个机器学习能够解决的问题。

对于机器学习的几点理解相关推荐

python 非线性回归_机器学习入门之菜鸟之路——机器学习之非线性回归个人理解及python实现...
本文主要向大家介绍了机器学习入门之菜鸟之路--机器学习之非线性回归个人理解及python实现,通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助. 梯度下降:就是让数据顺着梯度最大的方向,也 ...
机器学习数学本质的理解
Datawhale干货作者:鄂维南院士,来源:科学智能AISI 北京时间2022年7月8日晚上22:30,鄂维南院士在2022年的国际数学家大会上作一小时大会报告(plenary talk).今天我 ...
机器学习AUC指标的理解
机器学习AUC指标的理解 AUC在机器学习领域中是一种模型评估指标,是指模型ROC曲线下的面积.分类器效果月AUC值成正比.即当分类器的分类效果越好的时候,ROC曲线下面积越大,AUC越大. 其中,R ...
机器学习分类问题指标理解——准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积
2020.08.25更新: 修改了ROC曲线中TPR公式的错误. 2020.07.25更新: 修改了混淆矩阵,每一行为实际值,每一列与预测值. 机器学习分类问题指标理解 0. 一个例子 1.准确率(A ...
Python机器学习笔记：深入理解Keras中序贯模型和函数模型
先从sklearn说起吧,如果学习了sklearn的话,那么学习Keras相对来说比较容易.为什么这样说呢? 我们首先比较一下sklearn的机器学习大致使用流程和Keras的大致使用流程: skl ...
机器学习入门案例简单理解——Tensorflow之MNIST解析
深度学习简单介绍首先要简单区别几个概念:人工智能,机器学习,深度学习,神经网络.这几个词应该是出现的最为频繁的,但是他们有什么区别呢? 人工智能:人类通过直觉可以解决的问题,如:自然语言理解,图像识 ...
【机器学习基础】深入理解极大似然估计(MLE) 1: 引入问题
导读:极大似然估计(MLE) 是统计机器学习中最基本的概念,但是能真正全面深入地理解它的性质和背后和其他基本理论的关系不是件容易的事情.极大似然估计和以下概念都有着紧密的联系:随机变量,无偏性质(un ...
【机器学习基础】深入理解Logistic Loss与回归树
Logistic Function Logistic Function最常见的定义形式如下: 其中,,实际上这个公式起源于伯努利分布,代表概率,关于其起源在此暂不赘述. 公式有一个重要的性质,即: 并 ...
机器学习中熵的理解
对于熵的个人理解: 实际上,熵是一个描述事物混乱程度的一个指标.在机器学习中: 自信息: 对于一个事件发生的概率携带的信息量 (概率取对数加负号) 信息熵(香农熵): 用来一个事物的多种状态的信息量 ...
机器学习实战决策树画图理解
机器学习实战第二章决策树难点第二章决策树用matplotlib画图的理解决策树matplotlib画图代码第二章决策树用matplotlib画图的理解作为一个小白呢,确实对于我们来说第二章画图 ...

对于机器学习的几点理解

对于机器学习的几点理解相关推荐

最新文章

热门文章