1、机器学习过程解释
我们首先会通过样本的规律寻找合适的模型,再用样本数据训练模型(训练时通常会将样本分为两部分,一部分用来训练,另一部分用来检验训练后模型的正确率,以评估模型的好坏),之后我们就可以通过训练好的模型进行新数据的预测了。其实机器学习学到的东西就是我们所谓的经验或者规律,机器学习会把这些学到的东西固化到模型中,以便解决新的问题。
机器学习(Machine Learning)是计算机科学的一个方向。利用统计学的技巧,机器学习算法(Machine Learning Algorithms)能够自动学习并识别数据内的规律。凭着这些规律,算法便能作出高度准确的预测。
2、深度学习+强化学习+迁移学习区别
深度学习:大量数据特征自动挖掘 准确性
强化学习:大量数据 反馈 策略,根据当前环境反馈计算并决定下一步该做什么,例如:alphago 走迷宫游戏
迁移学习:少量数据 学习方法 冷启动 个性化 适应
3、典型机器学习任务流程
获取大量数据:spider/数据清洗过滤/消重
选取特征和模型:word2vector生成的向量/选择二分类模型
选取算法:svm
进行训练和不断调参数:控制学习步长、调整参数
获取结果并评估:损失函数最小(假设计算结果和实际值之间的平均平方差)
4、资源