AI学习笔记之——如何理解机器学习(Machine Learning)

  • 时间:
  • 浏览:1

里面就从各个高度对不同的机器学习进行分类,真是看起来比较浮于表表皮,只是 这对真正理解机器学习非常重要,希望在今后的笔记中与朋友一并学习,不断进步。

是用来预测(Prediction), 比如预测天气;是用来诊断(Diagnostics),比如诊断病情;还是用来总结(Summarize)比如写阅读总结;等等用途

相关文章

人工智能学习笔记之——人工智能基本概念和词汇人工智能学习笔记二 —— 定义问题

前面真是介绍了概率和贝叶斯网络,只是 还是那末 正式介绍AI中最重要的算法——机器学习。因为说概率论是机器学习的基石,那末 机器学习算法和理论只是支撑整个AI系统的支柱。现在比较火的高度学习神经网路等等真是也只是机器学习的哪几个 多多具体方法和分支。

文章首发steemit.com 为了方便墙内阅读,搬运至此,欢迎留言因为访问我的Steemit主页

朋友知道程序员因为帮我命令计算机做一件事情,他前要知道外理本身事情的每哪几个 多多步骤,只是 用判断,循环等指令,一步一步地告诉计算机如可去完成。比如自动售货机,计算机从你输入的号码查询到商品的价格和货架的位置,守候你付款成功只是 就将商品“吐”出来。对于本身重复性的劳动本身程序是非常高效的。只是 只是 问题诸如自动驾驶问题,是不因为通过本身方法外理的。只是 只是 全部都是 了现在最流行的机器学习。

机器学习只是和人类一样,通过不停地输入数据(信息)只是 自动学习外理问题的方法。比如图片识别,小孩子是不因为出生的只是 就知道哪些是人哪些是猫哪些是狗,只是家长和老师们不停地在图片,视频因为现实生活当中给朋友“指出”这是猫这是狗,小孩看(数据输入)多了自然就知道猫和狗的区别,下次在见到相同的动物也就学精了识别猫狗了。机器学习一样,人类标记(指出)絮状中含 猫狗的图片“喂”给机器,通过机器学习算法,机器自动就掌握了学习识别猫狗的算法,于是朋友就都能否用本身经过训练的机器去帮朋友去识别猫狗了。

学习建立模型是越普遍(generative)越好,还是越特定(Discriminative)越好呢。

是监督学习(Supervised Learning),无监督学习(Unsupervised Learning)还是强化学习(Reinforcement Learning)。前两者的区别是与与非 人类标记。而与非 强化学习是指学习者与非 在与环境的互动中不停学习的,比如对话机器人。

是分类(Classification)呢(比如识别猫狗)还是回归(regression)比如预测房价。

机器学习有只是 只是 分类,比如里面识别猫狗的例子只是本身用于分类(Classification)的监督学习算法(Supervised Learning)。那理解机器学习,首先就前要了解机器学习算法是为啥分类的,机器学习算法都能否从以下哪几个高度来进行分类:

是被动(Passive)的吗? 比如学习者与非 这是观察者而不需要改变环境和数据,还是主动的(Active)。是线上(Online)的还是线下(offline)的这取决于数据是在学习只是 产生的还是在学习当中不停地产生。

只是本身机器学习的算法是用来学习哪些的,是学习参数(Parameters)的吗?比如下雨的概率。是学习价值形式(Structure)吗? 比如贝叶斯网络的价值形式。还是学习隐藏的概念(Hidden concepts)比如广告商发现喜爱广告的不同群体。