Python与机器学习之文章研读(二)
虽然听说知乎都在吹牛逼,但无妨我们来研读其中的一些精彩。今天我们来总结机器学习中的一些方法以及她的应用领域,学习方法论指引着我需要先远观整棵大树之美。
机器学习方法(常见)
决策树学习:决策树学习使用了一个决策树作为预测性模型,映射一个对象的观察结果并给其目标价值一个推论
深度学习:个人不能承受硬件的价格和GPU的发展推动了这些年深度学习的进步,深度学习是由人工神经网络中的多个隐藏层组成的。这条道路试图去模拟人脑的过程,光、声进入视觉和听觉。一些成功的应用有计算机视觉和演讲识别。
人工神经网络:(NN)。计算结构是由连接的人工神经元组所构成,通过连接式的方法来传递信息和计算。现在最火的tensorflow则尝试了该方法。现代神经网络是非线性的统计学数据模型工具。它们通常被用来在输入和输出之间模拟复杂关系,找到数据中的关系,或者在观测变量中从不知道的节点捕获统计学结构。
支持向量机:支持向量机是一系列关于监督学习在分类和回归上的应用。给出训练样本的数据集,每一个标记属于两类中的一类,一个SVM训练算法构成了一个模型,可以用来预测一个新的样本是否进入一个类别或者是另一个。比如0,1分类
贝叶斯网络:一个贝叶斯网络,信任网络或者有向无环图模型是一个概率性图的模型,它通过有向无环图代表了一系列的随机变量和他们的条件独立性。举例,一个贝叶斯网络代表着疾病和症状可能的关系。给出症状,网络可以被用来计算疾病出现的可能性。有效的算法存在于执行推理和学习的过程中。
机器学习方法(以后再看)
- 关联规则学习
- 归纳逻辑编程
- 集群
- 增强学习
- 特征学习
- 相似度量学习
- 稀疏字典学习
- 遗传算法
- 基于规则的机器学习
- 学习分类系统
应用领域
真的有兴趣的人完全可以选择一个领域去深挖
正所谓一法通万法通
- 情感计算
- 生物信息学
- 脑机接口
- 自适应网站
- 化学信息学
- DNA序列分类
- 计算解剖学
- 计算机视觉,包括物体识别
- 信用卡欺诈检测
- 博弈
- 信息检索
- 网络欺诈检测
- 市场营销
- 机器学习控制
- 机器感知
- 医疗诊断
- 经济学
- 自然语言处理
- 自然语言理解
- 优化和启发式算法
- 在线广告
- 推荐系统
- 机器人移动
- 搜索引擎
- 情绪分析
- 序列挖掘
- 软件工程
- 演讲和手写识别
- 金融市场分析
- 健康监测
- 句法模式识别
- 用户行为分析
- 翻译
机器学习最难的是什么?
机器学习最难的部分,就是把现实生产生活中的问题,提炼成一个机器学习问题。这需要的是你对问题本身的深刻洞察。有一天也许整个数据清洗到模型选择和交叉验证都自动化了。但始终有一个东西不能完全被机器搞定,那就是你如何从一个全新的领域,去提取机器学习可以有助解决的最重要的问题。再有,无论机器的预测,多准确它的结果如果不是在解答人的需求,也是一个没用的或至少不令人喜欢的东西。 比如我发明一个算法能够特别准的预测老人的寿命,或者根据女生现在的长相推测她80岁的长相,即使算法十分牛掰,这样的产品估计也不是客户喜闻乐见的。
简单来说,如何应用机器学习真正解决行业痛点?
有个比较有趣的答案
如果有感兴趣的读者
原文:什么是机器学习?
如果您看到这篇文章有收获或者有不同的意见,欢迎点赞或者评论。
python群:190341254
丁。