本文介绍了机器学习的基本概念，包括数据收集、清洗、特征工程和建模流程。重点探讨了数学基础，如导数、梯度、凸函数、正定矩阵和Hessian矩阵在机器学习中的应用，为理解机器学习算法的优化过程奠定基础。
什么是机器学习
机器学习是人工智能的分支。我们使用计算机设计一个系统改过训练数据按照一种方式进行学习。随着训练次数的增加，该系统可以在性能上不断的进行改进与学习，通过参数优化的学习模型，能够用来预测相关问题的输出。
机器学习的一般流程
数据收集==》数据清洗==》抽取特征工程==》数据建模==》模型的使用
机器学习的方法
需要先进行工具原理的了解，之后才能进行数据的选择
数学基础
导数
一个导数简单的说指的是曲线的斜率。而二阶导数则是只的斜率变化的快慢，反应了曲线的凹凸性。
梯度
一个函数在某一个点的偏导确定，如果存在某个方向 L 函数沿着该方向下降的速度最快则称这个方向为该函数的梯度。
∂ f ( x , y ) ∂ l x , y = ∂ f ( x , y ) ∂ x cos φ + ∂ f ( x , y ) ∂ y sin φ \frac{\partial f(x,y)}{\partial l_{x,y}}=\frac{\partial f(x,y)}{\partial x}\cos\varphi+\frac{\partial f(x,y)}{\partial y}\sin\varphi\\\\ ∂lx,y∂f(x,y)=
最低0.47元/天 解锁文章
扫一扫
233
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
