机器学习基本概念简介

已于 2022-08-21 21:32:01 修改
阅读量224 收藏
点赞数
分类专栏： 深度学习 文章标签： 机器学习 人工智能 python
于 2022-08-21 20:46:58 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40711045/article/details/126454665
版权

简介

  1. machine learning本质上找到一个函数变换
  • 根据函数不同划分机器学习类型
    • regression：回归任务，输出是数值
    • classification：分类任务，输出是类别
    • structured learing：结构化任务，比如图片，文本等
  1. 如何寻找拟合函数
    总体流程
  • 定义带未知数的函数作为我们的model：表征函数的基础形式
  • 定义loss损失函数：表征某一组参数下的模型优劣
  • 定义优化器：找到loss函数最小对应的参数值，主要使用的方法是gradient descent
    梯度下降
  1. 以youtube浏览量为例
  • 线性拟合函数：model bias，表示线性model很难拟合真正的函数
  • 非线性拟合函数：通过若干蓝色的初始函数累加拟合出蓝色函数
    在这里插入图片描述
    在这里插入图片描述
    3 batch
  • batch_size: 每批次的数据大小
  • epoch：整个数据集的学习次数
  • update time（step）：学习的步数，对应更新参数的次数，等于 train_num / batch_size
    在这里插入图片描述
  1. 经典网络

在这里插入图片描述

weixin_40711045
关注
专栏目录
机器学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 14万+
机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类,文章对十大机器学习算法进行详细介绍并阐述机器学习其他概念问题，可作为机器学习初学者学习使用。
Lesson 1.机器学习基本概念与建模流程(1).ipynb
06-08
Lesson 1.机器学习基本概念与建模流程(1).ipynb
机器学习epoch,batch,batchSize,step
taylar1357的博客
04-14 4814
epoch表示迭代周期，batchs表示批次数,一个epoch表示模型遍历并处理过所有样本一次; batch表示批次数，批次数 = 样本个数 /batchSize; batchSize表示批次大小，如bathSize=5，代表模型处理完5个样本后，进行一次前向传播和反向传播; step表示模型步数。step = epoch * batchSize。 以上内容纯属自我总结，如有不对...
机器学习基本概念简介上
小明小杰的博客
04-02 3219
机器学习：就是找一个函数，如将语音转化为文字，将图片转化为标签，而这个函数是人类很难去找到的，所以我们通过机器的力量，去找到这个函数。 深度学习（机器学习中的一个关键技术）：机器要找一个函数，而这个函数是用类神经网络来找到的。 输入：向量 矩阵（如图片） 序列（如语音） 输出：数值，类别，text等 Supervised Learning （监督学习） 对具有概念标记（分类）的训练样本进行学习，以尽可能对训练样本集外的数据进行标记（分类）预测。 Unsupervised Learning （非监督学
机器学习基本概念
weixin_43800761的博客
07-18 2490
一、机器学习简介 1.1 机器学习是什么 假设用P来评估计算机程序在某任务类T上的性能，若一个程序通过利用经验E在T中任务上获得了性能改善，则我们就说关于T和P，该程序对它进行了学习。 通俗来说，是按我们已经积累的许多经验，通过对经验的利用，就能对新情况做出有效的决策。 1.2 机器学习分类 根据数据的组成不同，机器学习可以分为： 监督学习 无监督学习 半监督学习 强化学习 1.2.1 监督学习 输入数据由输入的特征值和目标值组成。根据目标值（输出）是连续还是离散又可分为回归和分类。 回归问题 例如
机器学习的概念、步骤、分类和实践
热门推荐
用文字记录下每一个瞬间的感动和每一次思考的火花
03-30 9万+
机器学习是人工智能（AI）的一个分支，它使计算机能够从数据中学习并做出决策或预测的技术，而无需对每个问题进行明确的程序编写。这种学习和决策制定过程是通过对数据的分析和模式的识别来实现的。机器学习的核心在于开发算法，这些算法可以自动提取信息并使用这些信息来改进自身的性能。
【周志华机器学习】一、机器学习基本概念
weixin_42301220的博客
04-03 1万+
文章目录参考资料1. 概述1.1 机器学习定义1.2 基本术语2. 模型的评估与选择2.1 误差与过/欠拟合2.2 评估方法2.3 训练集与测试集的划分方法2.3.1 留出法2.3.2 交叉验证法2.3.3 自助法2.4 调参2.5 性能度量2.5.1 最常见的性能度量2.5.2 查准率/查全率/F12.5.3 ROC与AUC2.5.4 代价敏感错误率与代价曲线 参考资料 Machine-learning-learning-notes LeeML-Notes 本博客为作者根据周志华的西瓜书和参考资料
03机器学习基本概念简介
04-07
机器学习基本概念简介 机器学习是人工智能领域中的一种重要技术，旨在使机器能够像人类那样学习和改进。机器学习的基本概念包括机器学习的定义、类型、应用场景、优点和挑战等。 机器学习的定义：机器学习是指机器...
1.2机器学习基本概念
01-07
1.2.1基本概念 训练集 测试集 特征值 监督学习 非监督学习 半监督学习 分类 回归 1.2.2例子1 针对例子1，我们可以把100天的数据（包括每天的温度X1，天气X2，风力X3，水温X4，湿度X5，预报X6和小明每天是否享受...
机器学习深度学习基本概念（小白版）
04-13
机器学习深度学习基本概念 机器学习深度学习是人工智能领域中两个最重要的概念，它们之间存在着紧密的联系，本文将从机器学习的基本概念开始，逐步深入到深度学习的世界中。 机器学习的基本概念 机器学习是指通过...
机器学习基本概念介绍
qq_40941396的博客
05-09 354
1.1机器学习的三步： 第一步：假设定义函数（Moudle模型） 定义代价函数（Loss） 最佳化问题 假设定义函数： 其中： x已知，w、b未知，w为权重，b为偏差 定义代价函数： 代价函数这个函数方程的输入参数为 module里面的参数，b\w 代价函数的输出代表的意义： 判断输入b、w时，选的这组值是好还是不好。 两个值之间的误差来历： 将所有的误差进行求和再取平均，得到代价函数。 loss越小...
机器学习—矩阵乘法
yn3535_的博客
11-06 590
让我们来看看向量矩阵乘法，也就是当你把一个向量乘以一个矩阵，又得到一个向量，列向量a转置后得到行向量a，所以与其把这看作是一个2×1的矩阵，转置后就变成了1×2的矩阵，现在用这四个元素创建一个2×2的矩阵w，如果你想计算Z，Z=a转置W，结果z是一个2×1的矩阵，计算z的第一个值，我们要做一个a转置乘w1，所以要计算z的第一个元素，最终得到(1*3)+(2*4),然后计算第二个元素，现在将转置乘w2，，所以计算第二个元素，最终得到(1*5)+(2*6)。如何在向量之间取点积？
机器学习系列----介绍前馈神经网络和卷积神经网络 (CNN)
DK22151的博客
11-05 1387
前馈神经网络（FNN）是一种最基本的神经网络结构，信息在网络中按单向流动，没有任何循环或反馈连接。它由输入层、若干隐藏层和输出层组成。输入层：接收原始数据，传递给网络中的隐藏层。隐藏层：通过神经元和激活函数处理数据，捕捉数据中的特征。输出层：输出网络最终的预测结果。FNN 是最简单的神经网络结构，通常用于分类和回归问题。卷积神经网络（CNN）是一种专门用于处理具有网格结构的数据的深度学习算法，最常用于图像处理任务。
机器学习—矩阵乘法的规则
yn3535_的博客
11-06 384
离得近的两个数字必须匹配，这是因为在相同长度的向量之间只能取点积，所以你可以取两个数字得向量之间的点积是因为你可以取长度为2得向量之间的内积。，另一个观察是输出z等于转置w，z是3×4的矩阵，所以这个乘法的输出将具有与x相同的行数，转置和W相同的列数，这也是矩阵乘法的另一个性质。有一个2×3的矩阵A，有两行三列，把这个矩阵的列想象成三个向量a1,a2,a3，用一个转置，把它相乘，首先，转置是一个3×2的矩阵，W是一个2×4的矩阵。把一个矩阵进行行变列，列变行的操作。
ISME Comm | 机器学习和深度学习在微生物组研究中的应用
悟道西方
11-04 986
Review Article，ISME Communications, DOI：https://doi.org/10.1038/s43705-022-00182-9 第一作者：Ricardo Hernández Medina 通讯作者：Mads Nielsen；Simon Rasmussen 主要单位：哥本哈根大学 - 摘要 - 我们把在生态系统中与我们息息相关的许多微生物群落统称为微生物组。虽然肉眼不可见，但是微生物组主宰或影响着宏观系统，如人类健康，植物胁迫以及生化循环。这一现象吸引
8.机器学习--决策树
最新发布
我是个好人呀，????
11-07 1145
(⊙﹏⊙)下周有要开组会，不知道该说啥，啊啊啊啊😫提到树，我们第一反应都是数据结构中的二叉树，那么决策树又是什么？他有什么特别之处呢？决策树是一类常见的机器学习算法。按照西瓜书里给出的定义👇：这个定义看起来还是有些晦涩，通俗的来讲，决策树就是一种依赖树型结构进行决策的模型。例如，我们买西瓜的时候肯定想挑一个熟透的好瓜，一般来讲我们都有一套判断这个西瓜怎么样的标准，比如拍一拍听西瓜的声音是怎么样的？西瓜的色泽是不是鲜明的等等，我们把每个判断标准作为一个树结点，判断结果作为两个子结点连接下一个判断条件，最终
【机器学习】机器学习回归模型全解析：线性回归、多项式回归、过拟合与泛化、向量相关性与岭回归的理论与实践
null18的博客
11-07 1518
本文深入探讨了机器学习中的回归任务，并通过多种回归模型的详细介绍，帮助大家理解如何利用回归方法解决现实中的预测问题。通过对线性回归、多项式回归、岭回归、局部回归等模型的剖析，我们掌握了不同场景下回归任务的最佳选择和优化技巧。回归任务的基本概念：回归任务旨在预测一个连续的输出值，广泛应用于房价预测、股市预测等领域。线性回归模型：简单且高效，通过最小化均方误差来训练模型，适合处理线性关系数据。多项式回归：扩展了线性回归，通过加入高次项处理非线性问题，适用于较复杂的数据关系。
【机器学习】机器学习中用到的高等数学知识
IT古董
11-07 429
机器学习是一个跨学科领域，涉及多种高等数学知识。掌握这些高等数学知识可以帮助理解机器学习算法的工作原理和实现过程。在实际应用中，建议结合编程实践，如使用 Python 中的 NumPy 和 SciPy 库进行线性代数和数值计算，使用 scikit-learn 进行统计分析和机器学习建模。通过理论与实践相结合，能够更深入地理解机器学习的核心概念和应用。
机器学习中的两种主要思路：数据驱动与模型驱动
weixin_42010722的博客
11-07 836
在机器学习的研究和应用中，如何从数据中提取有价值的信息并做出准确预测，是推动该领域发展的核心问题之一。在这个过程中，机器学习方法主要依赖于两种主要的思路：数据驱动与模型驱动。这两种思路在不同的应用场景中发挥着至关重要的作用，它们的核心差异在于如何利用数据和模型的关系来进行预测和决策。本文将深入探讨这两种思路的内涵和区别，并阐述它们在机器学习各个阶段中的应用。机器学习通常包括数据预处理、特征工程、模型选择、训练与评估等多个阶段。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值