知识铺垫
机器学习概念介绍
- 概念:多领域交叉学科,专门研究计算机怎样模拟或实现人类的学习行为,获取新的知识技能,重新组织已有的知识结构使之不断改善自身性能。
- 学科定位:人工智能的核心。
- 定义:探究和开发一系列算法来如何使计算机不需要通过外部明显指示,而可以自己通过数据来学习,建模,并且利用建好的模型和新的输入来进行预测的学科。
- 学习:针对经验和一系列任务和一定表现的衡量,如果随着经验的积累,针对定义好的任务可以提高表现,就说计算机具有学习能力。
- 应用举例:语音识别;自动驾驶;计算机视觉;语言翻译;推荐系统;无人机;识别垃圾邮件;
深度学习概念介绍
- 深度学习(Deep Learning):是基于机器学习延伸出来的一个新的领域,以人大脑结构为启发的神经网络算法为起源加之模型结构深度的增加发展,并伴随大数据和计算机能力的提高而产生的一系列新的算法。
- 应用领域:图像处理与计算机视觉,自然语言处理以及语音识别等领域。
基本概念
基本概念:训练机,测试集,特征值,监督学习,非监督学习,半监督学习,分类,回归。
- 概念学习:指从有关某个布尔函数的输入输出训练样例中推断出该布尔函数。
- 实例—x ;实例集合–X;目标概念(待学习的概念),记做c
- 训练集(training set)/训练样例(training examples):用来进行训练,也就是产生模型或算法的数据集。
- 测试集(testing set)/测试阳历(testing examples):用来专门进行测试已经学好的模型或者算法的数据集。
- 特征向量(feature vector):属性的集合,通常用一个向量表示,附属于一个实例
- 标记(label):实例类别的标记
- 正例与反例;(类似于作文中的范文和反面教材)
- 分类(classification):目标标记为类别型数据;
- 回归: 目标标记为连续性数据;
- 有监督学习:训练集有类别标记;
- 无监督学习:无类别标记;
- 半监督学习:有类别标记的训练集+无标记的训练集
机器学习步骤框架
-
把数据拆分为训练集和测试集;
-
用训练集和测试集的特征向量来训练算法;
-
用学习来的算法运用在测试集上来评估算法(可能要涉及到调整参数)。
-文章笔记通过学习B站视频资源所做