第一章:机器学习概述
(1)案例引入围棋、无人驾驶车、sophia-首位机器人公民、人脸识别(2)什么是机器学习机器学习是人工智能的一个分支。我们计算机设计的一个系统,使他能够更加提供的训练数据按照一个的方式来学习;随着训练次数的增加,该系统可以在性能上不断学习和改进;通过参数优化的学习模型,能够用于预测相关问题的输出。(3)机器学习分类(4)监督学习和无监督学习的区别监督学习:1、回归(连续):线性回归、决策树、SV
(1)案例引入
围棋、无人驾驶车、sophia-首位机器人公民、人脸识别
(2)什么是机器学习
机器学习是人工智能的一个分支。我们计算机设计的一个系统,使他能够更加提供的训练数据按照一个的方式来学习;随着训练次数的增加,该系统可以在性能上不断学习和改进;通过参数优化的学习模型,能够用于预测相关问题的输出。
(3)机器学习分类
(4)监督学习和无监督学习的区别
监督学习:1、回归(连续):线性回归、决策树、SVM、贝叶斯。2、分类(不连续):二分类、多分类
无监督学习:KMEANS
监督学习和无监督学习区别是有无标记信息
(5)机器学习可以解决什么
给定数据的预测问题、数据清洗/特征选择、确定算法模型/参数优化、结果预测
(6)机器学习范围
模式识别:模式识别=机器学习,两者的区别在于前者是从工业界发展起来的概念,后者则主要源自计算机学科。它们的活动可以被视为同一个领域的两个方面,同时在过去的10年间,他们都有了长足的发展。
数据挖掘:数据挖掘与机器学习几乎等同,数据挖掘相对于机器学习范围更广,大部分的数据中可以利用数据挖掘(机器学习)提取价值,但很多情况下数据本身是没有价值的,从数据的采集、收取、整理,每一个环节的差错、误差都会给结果带来改变。数据挖掘(机器学习)更多的是一种方法论,绝对不是一个万金油。数据挖掘并非无所不能。在处理数据的时候,盲目地尝试各种方法而不考虑数据本身结构,这是非常可怕的灾难。而大部分数据挖掘中的算法是机器学习的算法在数据库中的优化。
统计学习:统计学习近似等于机器学习。统计学系是个与机器学习高度重叠的学科。因为机器学习中的大部分方法来自统计学,甚至可以认为,统计学的发展促进机器学习的繁荣昌盛。例如著名的支持向量机算法(SVM)就源自统计学科。但是在某些程度上是分别的:统计学习者重点关注的是统计模型的发展与优化、模型的稳定性、泛化误差等,偏数学;而机器学习者更关注的是能够解决问题,偏实践,因此机器学习研究者会重点研究学习算法在计算机执行的效率与准确性的提升。
计算机视觉:计算机视觉=图像处理+机器学习,图像处理技术用于将图像处理为适合进入机器学习模型中的输入,机器学习则负责从图像中识别出相关的模式。计算机视觉相关的应用非常的多,例如无人驾驶、手写数字识别、物体分类、图像分割等应用。随着机器学习的新领域深度学习的发展,大大促进了计算机图像识别的效果。深度学习的出现彻底改变了计算机视觉领域的状况,带给机器学习无限的可能。
语音识别:语音识别=语音处理+机器学习,语音识别就是音频处理技术与机器学习的结合。语音识别技术一般不会单独使用,一般会结合自然语言处理的相关技术。目前的相关应用有苹果的语音助手siri、科大讯飞等。
自然语言处理:自然语言处理=文本处理+机器学习。自然语言技术主要是让机器理解人类的语言的一门领域。在理解层面,我们能够利用机器学习进行语义理解分析。在语言转换方面,我们能够进行翻译等操作。我们甚至可以将其与计算机视觉结合,带来更多不可思议的操作。
(7)机器学习方法
(8)机器学习三要素
模型
策略(风险)
算法
(9)模型的评估与选择
训练误差与测试误差
过拟合与模型选择(泛化能力:新样本下的预测能力。过拟合:过度学习训练样本的特征,导致部分样本的特征当作全部样本的特征,对新样本的泛化能力减弱)
(10)正则化与交叉验证
正则化
交叉验证
更多推荐
所有评论(0)