00 什么是机器学习?
机器学习与传统算法区别
就预测来说,从输入输出角度来举个例子,传统算法需要特定的经验信息,如函数、数据点等,但机器学习只需要输入数据,计算机即可分析出函数并得出结果。
机器学习的定义
- 机器学习是一种实现人工智能的方法,它从数据中寻找规律、建立关系,根据建立的关系解决问题。
- 机器从数据中学习实现自我优化与升级
- 实现人工智能的主流方法
应用场景
- 计算机视觉
- 数据挖掘
- 自然语言处理
- 证券分析
- 医学诊断
- 机器人
- DNA测序
实现机器学习的基本框架
{
x
1
x
2
⋯
x
n
y
1
y
2
⋯
y
n
⋮
⋮
⋮
⋮
⋯
⋯
⋯
⋯
}
→
f
(
x
)
→
解决问题
\begin{Bmatrix} x_1 & x_2 & \cdots & x_n \\ y_1 & y_2 & \cdots & y_n \\ \vdots & \vdots & \vdots & \vdots \\ \cdots & \cdots & \cdots & \cdots \end{Bmatrix}\rightarrow f(x) \rightarrow \text{解决问题}
⎩
⎨
⎧x1y1⋮⋯x2y2⋮⋯⋯⋯⋮⋯xnyn⋮⋯⎭
⎬
⎫→f(x)→解决问题
计算机自动求解数据的过程
机器学习的类别
- 监督学习(训练数据包括正确的结果,即label)
- 数据中划好类别,程序找到类别间的边界,并根据新数据相对于边界的“位置”,对新数据进行归类。
- 应用场景:人脸识别、语音翻译、医学诊断
- 无监督学习(训练数据不包括正确的结果)
- 数据中没有划类别,但是程序可以将相近的数据自动规划类别,并根据新数据相对于几个类别数据的接近程度,对新数据进行归类
- 应用场景:新闻聚类
- 半监督学习(训练数据包括少量正确的结果)
- 给出少量的划好类别的代表性数据,程序找到类别间的边界,并根据新数据相对于边界的“位置”,对新数据进行归类。
- 强化学习(根据每次结果收获的奖惩feedback,进行学习实现优化)
- 根据执行效果以分数的形式给予奖励/惩罚,程序逐步寻找获得高分的方法
- 应用场景:AlphaGo
以上为B站BV1884y1k7cv的课程笔记,如有不足之处请指出,谢谢!