机器学习基本概念简介

已于 2022-08-21 21:32:01 修改
阅读量183 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
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
03机器学习基本概念简介1
08-04
① 先假设 只有 未知参数 W ② 假设有 两个 参数 , 170 ⑥ ① ② ④
机器学习基本概念简介上
小明小杰的博客
04-02 3149
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 2324
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
五分钟了解机器学习的基本概念
NJUzzf98的博客
05-27 1万+
三分钟了解机器学习的基本概念- 1、人工智能、机器学习、深度学习之间的关系 2、什么是机器学习？ 3、机器学习的常见问题之 过拟合 4、如何克服过拟合？ 5、机器学习的类型 6、分类和回归
【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
机器学习的基本概念和相关术语
热门推荐
逐梦er的博客
06-18 3万+
文章目录一.什么是机器学习二.机器学习的相关术语三.机器学习的典型任务四.假设与假设空间五.假设的选择原则六.机器学习的三要素 一.什么是机器学习 人工智能标准化白皮书(2018版) 机器学习（Machine Learning）是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。 基于数据的机器学习是现代智能技术中的重要方法之一，研
03机器学习基本概念简介
04-07
《李宏毅深度学习笔记》
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...
机器学习基本概念.pptx
05-16
《人工智能应用基础》相关知识基础机器学习基本概念（1） 模型从数据中学得模型的过程称为“学习”或“训练”,这个过程通过执行某个学习算法来完成。训练过程中使用的数据称为“训练数据”(training data)，其中每个...
机器学习深度学习基本概念（小白版）
04-13
想入门机器学习领域或深度学习领域的不可或缺之物
线性代数 --- 计算斐波那契数列第n项的快速算法(矩阵的n次幂)
松下J27录放机
04-26 834
斐波那契数列的是一个古老而又经典的数学数列，距今已经有800多年了。关于斐波那契数列的计算方法几乎是总所周知的，只是当我们希望快速求出其数列中的第100，乃至第1000项时，能不能有又准又快的方法，一直是一个值得探讨和研究的问题。笔者这篇文章中，就介绍了一种基于线性代数的快速算法，即，基于矩阵的n次幂找到斐波那契数列的第n项。
机器学习-什么是 PCA?
weixin_42924611的博客
04-29 551
一般来说，你可以根据数据的特征、模型的复杂度、以及计算资源的限制来决定。另外，你还可以设定n_components=‘mle’，这样PCA会自动选取特征个数，使得满足所要求的方差百分比。它工作的原理是通过投影的方式，将高维数据映射到低维的空间中，并尽量保证投影后的数据保留了原始数据的主要特性。通过降低数据的维度，PCA不仅可以帮助我们简化模型，还能提高算法的运行效率，减少过拟合的风险。而LDA是一种监督式学习方法，既可以用于降维，也可以进行预测应用，既可以组合其他模型一起使用，也可以独立使用。
【机器学习基础1】什么是机器学习、预测模型解决问题的步骤、机器学习的Python生态圈
最新发布
hiliang521的博客
04-29 527
【机器学习基础1】什么是机器学习、预测模型解决问题的步骤、机器学习的Python生态圈
机器学习之sklearn基础教程
weixin_55066886的博客
04-29 710
Scikit-learn是一个开源的Python机器学习库，提供了各种用于机器学习和数据挖掘的工具和算法。本教程将介绍Scikit-learn的基础知识，包括数据预处理、特征工程、模型训练和评估等方面的内容。在使用Scikit-learn之前，首先需要安装Scikit-learn库。安装完成后，我们可以开始编写机器学习代码了。
[机器学习系列]深入解析K-Means聚类算法：理论、实践与优化
2301_81199775的博客
04-29 925
博客标题：深入解析K-Means聚类算法：理论、实践与优化 摘要：本文全面剖析了K-Means聚类算法，从基本概念、作用优点到局限缺点，详细阐述了K-Means的步骤和选取最佳K值的策略。文章通过构建数据集并利用手肘法和目标函数变化两种方法确定最优K值，展示了在Python中实现K-Means聚类的全过程。最后，通过可视化技术和聚类结果分析，加深读者对K-Means算法的理解，并提供新样本预测的方法。无论是数据科学新手还是希望深化聚类技能的研究者，本文都提供了宝贵的知识资源。
【机器学习】机器学习学习笔记 - 监督学习 - 多项式回归决策树回归 - 03
一只慵懒的加菲喵~~
04-27 384
【机器学习】机器学习学习笔记 - 监督学习 - 多项式回归\决策树回归 - 03
使用机器学习确定文本的编程语言
H_zizi的博客
04-29 496
使用机器学习确定文本的编程语言
机器学习-- 爬虫IntelliScraper 重大更新说明
北堂飘霜_记录
04-29 763
IntelliScraper 是一个高级的Python网络抓取项目，专为精确解析HTML内容和特征匹配而设计，用于从特定网页提取关键信息。该项目利用了如BeautifulSoup和scikit-learn等强大的库，提供了一种高效灵活的方式来抓取和处理网络数据。
简记：机器学习中关于训练集和测试集的标准化问题
炒茄子的博客
04-29 303
错误处理：在未进行数据集划分之前，对所有特征项(X/因子项)进行标准化例如MinMaxScaler\Normalizer等方法，然后再进行数据集划分；或者在数据集划分之后分别对训练集和测试集进行独立的标准化。
阐述机器学习的基本概念和研究内容
06-11
机器学习是一种人工智能的分支，它的主要目的是使计算机能够从数据中自动学习，提高预测、分类、识别等任务的准确性。机器学习的研究内容主要包括以下几个方面： 1. 数据预处理：机器学习的第一步是获取和处理数据...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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