根据我们机器人工程的专研人工智能的老师的教导,
我这两天在学习机器学习的基础算法,知道了有什么算法,
然后根据路线学习,路线给大家一下,很有用的。
根据(17条消息) 机器学习十大经典算法入门_pennyyangpei的博客-CSDN博客_机器学习经典算法这个,
我们知道,有10个基本的机器学习的算法。
然后,有一些视频课也很好的。
比如,这个[双语字幕]吴恩达深度学习deeplearning.ai_哔哩哔哩_bilibili
但是把,我用的不是这个,
用的是浙大的课
【浙大公开课】吹爆!2022年B站最好最全的机器学习课程,胡教授带你恶补AI专业知识!支持向量机 | 机器学习 | AI 人工智能_哔哩哔哩_bilibili
让我们知道,机器学习的本质,
知道了显著性编程和非显著性编程,
又知道了机器学习的第一个定义(阿瑟·萨缪尔Arthur Samuel)还有机器学习的顶二个定义(1998年Tom Mitshell)
还知道了什么是训练样本,识别率,机器学习的特点
还知道,Tom Mitshell定义和Arthur Samue定义的,显然,Tom Mitshell定义的定义更加数学化。
并且,经验和性能指标是由设计算法的人设计的。
还知道什么是监督学习,
一。学习的方法
1.监督学习的分类
2.传统的监督学习(每一个训练数据都有一个对应的标签)
(1)传统的监督学习的算法:
3.非监督学习(所有的训练数据都没有对应的标签)
(1)非监督学习的例子:
(2)非监督学习的算法:
4.半监督学习(训练数据中一部分有标签,一部分没有标签)
(1)半监督学习定义:
(2)半监督学习的例子
另外一种分类方法(基于标签的固有属性分类)
1.把监督学习分为两类:分类和回归
(分类和回归这两个概念的界限其实非常的模糊,因为连续和离散可以相互转换)
2.监督学习的例子(人脸识别)
人脸识别有两类:
模式一:标签是离散的。
看两张人脸是不是一个人,是一个人就写1,不是就是0.
模式二:标签是离散的,也是分类的问题。
3.连续与离散:(可以相互转换)
现在是我这两天学习的支持向量机:
一。支持向量机的内核
支持向量机有三种内核,
分别是:线性内核,多项式核,高斯径向基函数核。
二。支持向量机定义:
1.支持向量机定义:
支持向量机(SVM)是一种二类分类模型。
2.支持向量机的基本模型:
它的基本模型是定义在特征空间上的间隔最大的线性分类器,间隔最大使它有别于感知机;支持向量机还包括核技巧,这使它成为实质上的非线性分类器。支持向量机的学习策略是间隔最大化,可形式化为一个求解凸二次规划的问,也等价于正则化的合页损失函数的最小化问题。
支持向量机的学习算法是求解凸二次规划的最优化算法。
三。线性可分和线性不可分
1.线性可分
(1)线性可分定义:
线性可分就是说可以用一个线性函数把两类样本分开
(2)严格定义
D0和D1是n维欧氏空间中的两个点集。
如果存在n维向量w和标量 b,使得所有属于D0的点xi都有wxi+b>0,
而对于所有属于D1的点xj则有wxj+b<0,则我们称D0和D1线性可分。
(2)这样是线性可分的