P1-机器学习介绍

最新推荐文章于 2024-09-15 10:16:11 发布
最新推荐文章于 2024-09-15 10:16:11 发布
阅读量122 收藏
点赞数
分类专栏： 机器学习李宏毅课程 文章标签： 机器学习
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_45067618/article/details/118568947
版权

机器学习介绍

机器学习就是自动找函数式

  • Speech Recognition(语音识别)

在这里插入图片描述

  • Image Recognition

在这里插入图片描述

  • Playing GO

在这里插入图片描述

找什么样的函数式

  • Regression (回归)

    • The output of the function is a scalar

在这里插入图片描述

  • Binary Classification (二元分类)

在这里插入图片描述

  • Multi-class Classification(多层次分类)

在这里插入图片描述

  • Generation(生成)

    ​ 翻译：产生文句 产生二次元生物

怎么告诉机器 想找什么样的函数式？

  • Supervised Learning (监督学习)

在这里插入图片描述
在这里插入图片描述

  • Reinforcement Learning
    Supervised VS Reinforcement
    在这里插入图片描述
    Supervised 需要下一步的位置
    Reinforcement：
    在这里插入图片描述

机器怎么找出你想要的函数式？

  • 给定函式寻找范围
  • 函式寻找方法-Gradient Descent（梯度下降）

能不能让机器聪明一点

在这里插入图片描述
在这里插入图片描述

柒折超贵
关注
专栏目录
[Python从零到壹] 十三.机器学习之聚类算法四万字总结全网首发（K-Means、BIRCH、树状聚类、MeanShift）
杨秀璋的专栏
07-06 1万+
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望
P1 机器学习介绍
m0_60586108的博客
07-30 77
机器学习概述 机器学习的本质就是找出一个函数，让这个函数可以根据我们的输入，得到我们所需要的输出。 1.定义一个函数空间(即模型）（选择不同的模型可能会得到不同的结果） 2.定义目标函数 3.根据目标函数选择出最有的模型（函数） 回归：Regression是一种machine learning的task，当我们说：我们要做regression时的意思是，machine找到的function，它的输出是一个scalar，这个叫做regression。【线性回归，非线性回归（深度学习，SVM，决策树，
P1 机器学习介绍 p2 为什么要机器学习
qq_42255693的博客
11-15 304
机器学习介绍 这门课，我们预期可以学到什么呢？我想多数同学的心理预期就是你可以学到一个很潮的人工智慧。我们知道，从今年开始，人工智慧这个词突然变得非常非常非常的热门，讲大家、政府通都在讲人工智慧这个词。 但人工智慧是什么呢？人工智慧其实一点都不是新的词汇，人工智慧(AI)、Artificial Intelligence这个词汇，在1950年代就有了。那这个词意味着什么呢？这个词意味着一个人类长远以来的目标，希望机器可以跟人一样的聪明。在科幻小说里面，我们看要很多这样的幻想和期待。但很长段时间里面，人们并不
机器学习P1.1~2.2学习记录
weixin_56848226的博客
10-31 498
1.Tom Mitchell提出机器学习的定义： 计算程序从经验E中学习，解决某一任务T，这个效果的好坏用性能用P来衡量。通过P测定在T上表现因经验E而提高。 例：对于跳棋游戏，经验E就是程序与自己下几万次跳棋，任务T就是玩跳棋，性能度P就是与新对手玩跳棋时赢的概率。 2.机器学习分为： ——监督学习 ——无监督学习 ——其他包括：增强学习、推荐系统 3.监督学习（每个样品都被明确标明，被清楚的告知了“正确答案”与“错误答案”） 给算法一个数据集，其中包括了正确答案，例： ...
李宏毅深度学习笔记-P1机器学习介绍
yzz19920820的博客
11-14 267
好了，今天开始了李宏毅先生机器学习课程的自学，千里之行始于足下，P1介绍篇章是一个介绍性的概括章节，主要讲清楚了这门学科的几个基本问题。 总结起来这一节主要说了两个问题，when & what，如下图1所示是机器学习发展的大致脉络，就我看来主要有两个时间点，第一个是19世纪80年代，此时AI界开始使用机器学习的方法来实现人工智能的目标（个人理解是放弃了handcrafted的规则推导，使用的是以概率论为基础的机器学习），第二个是2010年左右开始的深入，提出了深度学习的概念，是在基础的机器学习模
机器学习的数学基础笔记P1
05-21
### 机器学习中的数学基础——高等数学概览 #### 一、函数及其基本概念 ...以上是对机器学习中的数学基础知识的一个概括介绍，这些数学概念不仅是理解高级数学的基础，也是深入学习机器学习算法的关键。
p1_navigation_机器学习_强化学习_
09-28
在机器学习领域，强化学习（Reinforcement Learning, RL）是一种重要的学习方法，它通过智能体与环境的交互来学习最优策略。在这个场景中，我们关注的是如何在OpenAI Gym这个开源模拟环境中解决导航（Navigation）...
机器学习实验二实验报告（Python）
04-15
决策树是一种监督学习方法，用于分类和回归任务。它通过递归地将数据集分割成子集，从而构建一个树结构。每个内部节点表示一个属性上的测试，每个分支代表一个测试结果，而每个叶节点则表示一种类别或输出结果。 ##...
【文献阅读】Unsupervised Machine Learning for Bot Detection on Twitter
weixin_42726068的博客
09-11 443
引入新特征，并降低所提模型的复杂性，从而提高基于聚类算法的机器人识别准确性。最小化数据集维度和选择重要特征来实现的。实验证明该方法的特征可以与四种不同的聚类技术（agglomerating、k-medoids、DBSCAN 和 K-means）结合使用，以解决由缺失标签和异常值引起的机器人识别问题。通过选择排名靠前的特征并减少维度，达到了 0.99 的准确率。
机器学习1--概述
qq_54641174的博客
09-12 407
机器学习概述
Oracle自治数据库上的机器学习笔记本现已支持GPU
engchina的专栏
09-12 615
Oracle自治数据库上的机器学习笔记本现已支持GPU
【机器学习】从零开始理解深度学习——揭开神经网络的神秘面纱
擅长将自己的感受、想法、知识通俗地表达出来，会点前后端开发、自动化测试、性能测试、爬虫。将来可能学硬件、AI。但一定会写实用的脚本。
09-06 2832
深度学习是机器学习的一个重要分支，通过多层神经网络处理复杂数据，广泛应用于图像识别、自然语言处理等领域。我们将在这篇文章中揭开深度学习和神经网络的神秘面纱。
【机器学习】--- 逻辑回归算法
人工智能专业学生
09-10 751
逻辑回归是机器学习的一种分类算法，主要运用于二分类问题。将线性回归的结果，映射到不同的类别之中。算法简单而高效，实际广泛运用。简单来说：逻辑回归 = 线性回归 +SigmoidSigmoidSigmoid函数（分类函数）
机器学习和深度学习的区别
不会代码的小林
09-11 583
综上所述，机器学习和深度学习在定义与起源、模型复杂度、数据需求、计算资源需求、特征学习能力以及应用范围与场景等方面都存在显著的区别。深度学习：则通常使用多层的神经网络模型，如卷积神经网络（CNN）、递归神经网络（RNN）等，这些模型复杂度高，包含大量的参数，能够处理更加复杂和抽象的问题。机器学习：常用的模型包括线性回归、支持向量机、随机森林等，这些模型相对简单，参数较少，适合处理较为简单的问题。深度学习：需要大量的标记数据来训练复杂的模型，以避免过拟合等问题，对数据的量和质都有较高的要求。
【mechine learning-六-supervise learning之线性回归模型】
zishuijing_dd的博客
09-12 1043
线性模型是人工智能监督学习中最广泛的应用，所以有必要先学习一下这个基础模型，做好基石。
如何训练机器学习力场
最新发布
weixin_45192240的博客
09-15 978
机器学习力场的训练过程依赖于大量的量子力学计算数据，使用不同的特征表示和机器学习模型来拟合势能面和原子力。模型的选择、数据集的构建、训练过程中的优化和超参数调优都是确保模型精度和泛化能力的关键环节。通过有效的训练，MLFF 可以在复杂系统中提供接近 ab initio 级别的精度，并能显著提高分子动力学模拟的效率。
【机器学习】期望最大化算法的基本概念以及再高斯混合模型的应用
ya的博客
09-12 1213
EM算法是机器学习和统计推断中一个非常重要的工具，它为处理复杂统计模型提供了一种有效的解决方案通过EM算法，高斯混合模型可以用于聚类、密度估计、降维等多种机器学习任务。它在统计和机器学习领域是一个非常有用的工具，特别是在处理具有潜在变量或混合分布的数据时总结来说，Baum-Welch算法是一个强大的工具，用于处理涉及隐藏变量的时间序列数据，但需要注意的是它可能只收敛到局部最优解，并且计算成本可能较高。
机器学习面试关键知识点解析
"这是一份关于机器学习面试的资料，涵盖了决策树、正则化、逻辑回归、生成模型与判别模型、K-means聚类、数据归一化、信息熵等多个主题，旨在帮助求职者准备面试。" 1. 决策树分类：决策树分为ID3、C4.5和CART三种...
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