机器学习和深度学习的基本概念
机器学习,顾名思义,机器具备有学习的能力,简单来说,机器学习就是让机器具备找一个函数的能力。通过机器帮助找一个很复杂的函数,我们就可以实现输入和输出。比如说AlphaGo 也可以看作是一个函数,机器下围棋需要的就是一个函数,该函数的输入是棋盘上黑子跟白子的位置,输出是机器下一步应该落子的位置。随着要找的函数不同,机器学习有不同的类别。假设要找的函数的输出是一个数值,一个标量(scalar),这种机器学习的任务称为回归。除了回归以外,另一个常见的任务是分类(classification,)。分类任务要让机器做选择题。人类先准备好一些选项,这些选项称为类别(class),现在要找的函数的输出就是从设定好的选项里面选择一个当作输出,该任务称为分类。在机器学习领域里面,除了回归跟分类以外,还有结构化学习(structured learning)。机器不只是要做选择题或输出一个数字,而是产生一个有结构的物体,比如让机器画一张图,写一篇文章。这种叫机器产生有结构的东西的问题称为结构化学习。
案例学习
以文中所给案例,我分析并总结出机器学习找函数的过程的 3 个步骤。
1. 定义问题和选择模型:
- 定义问题:明确任务目标,比如回归、分类或结构化学习。
- 选择模型:根据问题性质选择合适的模型类型(如线性回归、决策树、神经网络等)。
2. 训练模型:
- 数据准备:收集并清理训练数据,确保数据质量和相关性。
- 训练过程:使用训练数据调整模型参数,使模型能够在给定输入下生成准确的输出。这一步通过优化算法(如梯度下降)来最小化预测误差。
3. 评估和优化模型:
- 模型评估:使用验证数据或测试数据评估模型性能,检查其在未见过的数据上的表现。
- 模型优化:根据评估结果调整模型参数或选择其他模型,以提高准确性和泛化能力。