- 让计算机自己总结规律的编程方式
Arthur Samuel 所定义的机器学习是专指这种非显著式编程的方式
非显著式编程方式的做法:
我们规定了行为和收益函数后,让计算机自己去找最大化收益函数的行为
让计算机通过数据、经验自动的学习。
来自于1998年 Tom Mistshell 在《MACHINE LEARNING》书中给出的定义
A computer program is said to learn from experience E with respect to some task T and some performance measurc P, if its performance on T, as measured by P , improves with experience E
一个计算机程序被称为可以学习,是指它能够针对某个任务 T 和某个性能指标 P,从经验 E 中学习。这种学习的特点是,它在 T 上的被 P 所衡量的性能,会随着经验 E 的增加而提高。
据 Tom Mitshell 的定义,机器学习为为识别不同任务而改造某种算法
这种算法的特点:
随着 Experience 的增多,Performance Measure 也会提高
这种算法的具体体现:
| 标识 | 动作 |
| :-: | :-: |
| 任务 T | 设计程序让 AI执行某种行为 |
| 经验 E | AI 多次尝试的行为和这些行为产生的结果 |
| 性能测试 P | 在规定时间内成功执行的次数 |
据经验 E 来提高性能指标 P 的过程,为典型的最优化问题
======================================================================
按照任务性质的不同进行分类为:
-
监督学习
-
强化学习
-
计算机通过与环境的互动逐渐强化自己的行为模式
但不绝对
这里主要介绍了监督学习
(1)监督学习根据数据标签存在与否分类为:
-
传统监督学习(Traditional Supervised Learning)
-
非监督学习(Unsupervised Learning)
-
半监督学习(Semi-supervised Learning)
(2)基于标签的固有属性,按照标签是连续还是离散分类为:
-
分类问题
-
回归问题
基于标签存在分类
传统监督学习
Traditional Supervised Learning 中每一个训练数据都有对应的标签
算法包括
-
支持向量机 (SUPPORT VECTOR MACHINE)
-
人工神经网络(NEURAL NETWORKS)
-
深度神经网络(Deep Neural Networks)
非监督学习
Unsupervised Learning 中所有的训练数据都没有对应的标签
在Traditional Supervised Learning中的数据可能有像:X 代表一类,圆形代表另一类,但在 Unsupervised Learning 中可能如下图:
尽管我们不知道训练数据的类别标签,但我们可以这样处理:
Created with Raphaël 2.3.0 假设 同一类的训练数据在空间中距离更近 样本的空间信息 设计算法将它们聚类为两类 无监督学习
算法包括
-
聚类(Clustering)
-
EM 算法(Expectation–Maximizationg algorithm)
-
主成分分析(Principle Component Analysis)
半监督学习
Semi-supervised Learning 中训练数据中有一部分有标签,一部分没有标签
在大量的数据面前,数据标注是成本巨大的工作
所以我们需要:
少量的标注数据 + 大量未标注数据 训练一个更好的机器学习算法
例如下图:
在左边,如果只有两个标注过的训练样本,那么便不好进行分类;如果像右图增加没有标签的训练样本,那么可能设计算法就能实现更准确的分类。
基标签固有属性分类
分类和回归的分别是十分模糊的,因为离散和连续的区别也是模糊的。
我们主要研究机器学习模型解决分类问题。
分类
Classifcation:标签是离散的值
例如人脸识别为分类问题
如图:
模式一为双人脸比对,模式二为人群中单人脸匹配。
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数前端工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Web前端开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且会持续更新!
如果你觉得这些内容对你有帮助,可以扫码获取!!(备注:前端)
前端面试题是我面试过程中遇到的面试题,每一次面试后我都会复盘总结。我做了一个整理,并且在技术博客找到了专业的解答,大家可以参考下:
由于篇幅有限,只能分享部分面试题,完整版面试题及答案可以【点击我】阅读下载哦~无偿分享给大家
感悟
/img_convert/0432b8e539325b94948089383d0bfa8c.png)
由于篇幅有限,只能分享部分面试题,完整版面试题及答案可以【点击我】阅读下载哦~无偿分享给大家
感悟
春招面试的后期,运气和实力都很重要,自己也是运气比较好,为了回馈粉丝朋友们(毕竟自己也玩了这么久哈哈哈),整理个人感悟和总结以上。最后祝愿大家能够收获理想offer!!