任务一主要是了解 机器学习
目录
一,机器学习的基础
机器学习就是让机器具有学习的能力。就是让机器具备寻找一个函数的能力。比如说,我们需要一个函数,这个函数可以输入声音来输出文本信息。这个函数很明显十分复杂,无法通过人力去写出来,因此想通过机器的力量自动把这个函数找出来。当年震惊世界的AlphaGo也可以看作是一个函数,输入的是棋盘上黑子与白子的位置,输出的是机器下一步应该落子的位置。
二,机器学习的类别
1.回归(regression):要找的函数的输出是一个数值,一个标量(scalar);
2.分类(classification):从设定好的函数里面选择一个当作输出;
3.结构化学习(structured learning):让机器产生有结构的东西的东西。
三,机器学习的本质
书中说的是机器具有学习的能力,去找到一个函数。这样的表达侧重于框架,通过函数的映射来实现输入到输出的转化,这样理解很棒。尤其对于已经有编程和算法以及数学基础的人来说,这样的表达再适合不过了。
四,机器学习常见的算法
1,分类:K近邻、决策树、随机森林、朴素贝叶斯、GBDT、支持向量机等;
2,聚类:k均值聚类算法(K-Means)、基于密度聚类(DBSCAN)等;
3,回归:逻辑回归、线性回归;
4,降维:主成分分析算法(PCA)、LDA、局部线性嵌入(LLE)等;
五,机器深度学习的核心
深度学习的核心在于构建多层次化的表示来实现对数据的高度抽象和特征的学习。
六,深度学习的优势
1,学习能力强;
2,覆盖范围广,适应性好;
3,数据驱动,上限高;
4,可移植性好;
深度学习的核心依赖更强大的计算机,更大的数据集,以及更深的网络技术。
七,深度学习和机器学习的区别
深度学习和机器学习之间的关系可以理解为深度学习是机器学习的一种特殊方法和扩展。深度学习通过构建多层神经网络来模仿和学习人类大脑的工作机制,以此来处理复杂的模式和数据,特别是那些传统机器学习方法难以处理的非线性问题。除此之外,深度学习还能够自动提取和学习特征,优化模型,以及处理大规模的数据集,从而提高了预测的准确性。