人工智能笔记1---机器学习概念 Machine Learning Concepts

摘要

Instance, example, feature, label, supervised learning,unsupervised learning, classification, regression, clustering,prediction, training set, validation set, test set, K-fold cross validation, classification error, loss function, overfitting, underfitting, regularization.

Def

experience E，task T，performance measure P

如果一个计算机程序在某个任务T的性能衡量指标P上，随着经验E的积累而提高，

则可以说它在关于任务T和衡量指标P的经验E中学习。

ML分类

无监督学习通过无标签数据训练模型。反之。

Unsupervised learning无监督学习

Learning a model from** unlabeled data.**

一些前置知识

feature vector：特征向量，维度代表其个数。如果见到x⊂ ℝ𝑑，那么x是特征向量，ℝ𝑑是维度为d的特征向量空间。

训练集(training data): examples "x"

用于机器学习模型训练的数据集，包含多个训练样本，在此处，每一个x是一个训练样本

{]~J65Y%S[C}5S4AN.png?auth_key=1677319813-fxBQsuwBASwze9kPFXFxoR-0-2e6ae4a2f7c99676e6cb6e75ffcced30)

特征向量x1, … , xn是数据集中的每个样本；X是样本的取值范围(向量空间)；Rd表示实数空间中的d维向量。

Clustering聚类/segmentation分割

两者相似，具体实现不同，只需理解如下:

我们希望将训练集分成不同的集合，其中每个集合包含相似的数据点。

函数f将训练数据集中的每个数据点x映射到其所属或集合。

所以聚类/分割是无监督学习，因为训练数据集中的样本没有预先定义的标签，模型需要自行发现数据中的结构和模式。

Supervised learning监督学习

Learning a model from labeled data.带标签的数据

通过有标签数据训练模型。

训练集(training data): examples "x" with labels "y"