![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
基础知识梳理
文章平均质量分 92
cheerful090
这个作者很懒,什么都没留下…
展开
-
【学习笔记】机器学习-强化学习简介
强化学习强化学习(Reinforcement Learning)1. 基本概念2. 简介:3. 基本概念4.特点应用二、遗憾最小化算法(博弈)1、概述2、遗憾匹配强化学习(Reinforcement Learning)1. 基本概念强化学习(reinforcement learning),又称再励学习、评价学习,是一种重要的机器学习方法,在智能控制机器人及分析预测等领域有许多应用。用于描述和解决智能体(agent)在环境交互过程中通过学习策略以达到回报最大化或实现特定目标的问题。侧重在线学习并试原创 2021-02-16 13:27:00 · 1601 阅读 · 0 评论 -
【学习笔记】机器学习-监督学习
一. 机器学习(Machine Learning,ML)基本概念1.定义:机器学习是专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,它主要使用归纳、综合而不是演绎。“机器学习是用数据或以往的经验,以此优化计算机程序的性能标准。”2.基本手段(1)从原始数据中提取特征(2)学习映射函数????(3)通过映射函数????将原始数据映射到语义空间,即寻找数原创 2021-02-07 16:11:53 · 1926 阅读 · 0 评论 -
【学习笔记】监督学习-分类和回归
一、回归1.回归分析(regression analysis)用于确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析按照涉及的变量的多少,分为一元回归和多元回归分析;按照因变量的多少,可分为简单回归分析和多重回归分析;按照自变量和因变量之间的关系类型,可分为线性回归分析和非线性回归分析。如果在回归分析中,只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量,且自变量之间存在线性相关,则称为原创 2021-02-07 17:42:53 · 2691 阅读 · 0 评论 -
【学习笔记】机器学习-无监督学习
无监督学习一、 无监督学习(unsupervised learning)1. 典型例子:聚类(Clustering)2.无监督学习的重要因素二、 K均值聚类(K-means 聚类)1. K均值聚类算法第一步:初始化聚类质心第二步:把每个待聚类数据放入唯一一个聚类集合中第三步:根据聚类结果,更新聚类质心第四步:算法循环迭代,直到满足条件2. 聚类迭代结束条件3. K均值聚类算法的另一个视角:最小化每个类簇的方差4. K均值聚类算法的不足三、 主成分分析(Principle Component Analysis原创 2021-02-16 12:57:05 · 1166 阅读 · 1 评论