本文介绍了机器学习的基础理论，包括算法分类，如监督学习、非监督学习、半监督学习和强化学习。深入探讨了非监督学习中的聚类和降维，以及异常检测的高斯建模方法。同时，讲解了大规模数据集训练中的优化算法，如随机梯度下降、小批量梯度下降和MapReduce。还涵盖了强化学习的主要算法，如Q-learning、Sarsa和DQN等，并提到了遗传算法在机器学习中的应用。
1、机器学习算法分类
监督学习：给出数据和标签进行训练，然后使用训练好的数据进行预测，分类等。监督学习中最常见的是两种问题，一种称为回归问题（线性回归和非线性回归），另一种称为分类问题，包含两类的分类问题，多个类的分类问题。
非监督学习：只给出数据，没有标签，让机器自己理解和分类。常见问题是聚类算法（K means clustering），图像的压缩（降维算法），PCA，Autoencoder等
半监督学习：结合监督学习和非监督学习
强化学习：把机器放入到一个陌生的环境，让其自己决策，然后给其决策进行打分，最后让机器朝着高分去走。
遗传算法：采用适者生存的思路，每次都保留最牛逼的那个结果。
2、机器学习基本流程
每个小模块都能引申出很多算法。
3、非监督学习
聚类算法：自动根据特征来分类
降低维度：特征选择，数据压缩，数据可视化
PCA算法：主成分分析，下面是PCA的基本算法
最低0.47元/天 解锁文章
3608
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
