人工智能第一课(机器学习)
人工智能第一课入门机器学习目录1.什么是机器学习从一颗瓜说起积累经验利用经验新的决策2.分类和回归问题特性分类问题回归问题输出类型离散数据连续数据目的寻找决策边界找到最优拟合二元分类线性回归多项式回归聚类问题注意:聚类问题中训练过程没有给定label监督学习监督学习是从给定的训练数据集中“学习”出一个函数,当新的数据到来时,可以根据这个函数预测结果。监督学习的训练集要求包括输入和输出,即特征和目标
·
目录
1.什么是机器学习
从一颗瓜说起
积累经验
利用经验
新的决策
2.分类和回归问题
特性 | 分类问题 | 回归问题 |
---|---|---|
输出类型 | 离散数据 | 连续数据 |
目的 | 寻找决策边界 | 找到最优拟合 |
二元分类
线性回归
多项式回归
聚类问题
注意:聚类问题中训练过程没有给定label
监督学习
监督学习是从给定的训练数据集中“学习”出一个函数,当新的数据到来时,可以根据这个函数预测结果。监督学习的训练集要求包括输入和输出,即特征和目标。训练集中的目标是由人类事先进行标注的。
主要用途:分类问题和回归问题
常见算法:决策树与随机森林、逻辑回归、
神经网络、朴素贝叶斯、Logistic回归等
非监督学习
在非监督学习的过程中,只提供事物的属性,但不提供事物的标签,让学习者自己总结归纳。所以非监督学习又称为归纳性学习,是指将数据集合分成由类似的对象组成的多个簇(或组)的过程。以达到同组内的事物特征非常接近,不同组的事物特征相距很远的结果。
主要用途:聚类问题
常见算法:k-means、Apriori、FP-Growth
半监督学习
强化学习
强化学习是学习一个最优策略(policy),可以让本体(agent)在特定环境(environment)中,根据当前的状态(state),做出行动(action),从而获得最大回报(reward)。
更多推荐
所有评论(0)