作者介绍:小星的学习笔记
提示:本文不从严格的定义出发,只记录个人学习的理解,存在一定的错误可能,欢迎指正🎉🎉🎉
文章目录
前言
随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文介绍了作者复习机器学习过程中的基础内容。
一、什么是机器学习?
首先,机器学习的概念范围是附属于人工智能,深度学习又属于机器学习。如下图所示。
再具体的分辩,我也不太清楚。
机器学习的定义一直以来都是模糊的(老师的原话,我尚未去检验。),但机器学习的内容一般都是:自主寻找一个符合样本的函数,并适用于同样本类型的数据。
简单来说就是,找合适的函数。
那,什么是函数呢?函数在数学上的定义是从一个映射集到另一个映射集的对应法则叫做函数(非严格定义,是作者不靠谱的记忆)。再简单来说,函数就是有输入有输出的东西。
拿我们老师的话说,我们人都是一个函数🤣,因为我们能接受外界信息输入,也能对这些信息做出反应(输出)。[doge]
二、机器学习基本步骤
1.输入数据集
数据集分很多种,例如有标签的(监督学习的数据集),没有标签的(无监督学习的数据集)。
2.选择函数类型
这个需要程序员自己通过经验预测函数类型,并选择适合的函数类型,按老师的话说,这需要丰富的经验。但后面会介绍各种函数类型,例如线性的啊,非线性的啊之类的。
3.评估函数优劣
这个主要是通过损失函数去判断函数的优劣,然后再通过判断的数据进一步修正函数参数,再去训练,也就是一个不断拟合的过程。
- 损失函数其实就是一种判断函数,和数学里的方差啊、标准差啊是一样的逻辑和作用。
- 拟合是指函数的结果与数据集相匹配。
4.选择最优函数
到我们的损失函数怎么判断,都趋近于相同的结果的时候,就可以说,这个函数类型已经达到它的最优结果。因为这个时候,无论这么调整参数,拟合程度已经达到这个函数的饱和了(就是它的能力上限了)。当然,这不一定是拟合数据集的最优结果,还得看最开始的函数类型选的好不好。
三、机器学习的大致分类
1.监督学习
数据集带标签的函数拟合训练
2.无监督学习
数据集不带标签的函数拟合训练
3.半监督学习
其实就是数据集一部分带标签,其余不带标签,针对此类数据集进行的函数拟合训练
4.强化学习
(不是主要学习内容,没有太了解,粗略看了一下其他资料。)强化学习应该是模仿简单的人类的行为模式——“行动——反馈——调整”(类似这样),通过不断试错并调整自己的决策(即行为),从而得到不断优化。(感觉这个方法才开始类似于人类的学习模式了。)
5.集成学习
(同样不是主要的学习内容。)看这个名字就知道它再大数据集上应该有不错的成绩。集成学习其实并不指一个具体的算法(其实前面4种也是),这只是一个逻辑方式,集成学习主要就是通过切割数据集,通过组合基础的算法模型,选择每个小数据集合适的算法,然后整合起来的过程?大概是这个意思吧。(如有不对,欢迎指正。)
机器学习的分类应该不止以上5种,但这里只介绍这么多啦~如果有兴趣的朋友可以去搜完整版。虽然,我不是很喜欢完整的分类就是了,主要是我自己分不太清楚,太细的分类又容易有交叉部分(这绝对很让我抓狂(╯‵□′)╯︵┻━┻),所以这里只简单介绍到这里啦~
总结
- 机器学习的内容:自主寻找一个符合样本的函数,并适用于同样本类型的数据。
- 函数就是有输入有输出的东西
- 机器学习步骤:输入数据集——选择函数类型——判断函数优劣——选择最优函数
- 机器学习大致分类:监督学习,无监督学习,半监督学习,强化学习,集成学习……
课程过了2/3了,而我却重新开始认识它。学习专业知识真的是是一个漫长而枯燥的过程啊,还好我发现了这里可以记录我的学习,和大家一起分享。总之,大家一起努力呀!
如果喜欢这篇学习笔记,请不要忘记点赞👍哦~