本文概述了机器学习的定义，强调了模型收敛的概念。接着介绍了机器学习的相关概念，包括特征选择、数据集选择、原型选择和训练过程。文章还详细列举了有监督学习中的分类和回归方法，如决策树、支持向量机、逻辑回归等，并提到了无监督学习中的聚类方法。最后，简要提及了降维和关联规则挖掘等其他机器学习技术。
一、机器学习定义：
现实世界中，有很多事物过程，未知很多，变数无穷，没办法用一套确切标准的规则来描述（如：手写输入、自动驾驶、千亿文本分类）。那么也就无法直接将过程逻辑规则翻译为代码逻辑，抛给计算机为人代劳。
因此，人只能将人的经验知识、思维方法，翻译成一段程序，让计算机来执行、实践，为人效劳。
经验知识、思维方法，可精确标准的描述吗？
也不能，正式由于这种不可精确标准描述性，所以，才需要在计算机的执行反馈 与 人的指导修正 之间不断的迭代，优化。
迭代优化什么时候是个头呢？
指导这段程序的执行结果达到人们可接受的一个范围尺度，越靠近那个理想值越好，此之所谓模型收敛！
让计算机去学习：在人工经验的指导作用下，使其行为慢慢改变！
（自己的理解，不对请指正。）
二、机器学习相关概念收集：
1、过程概念：
最低0.47元/天 解锁文章
扫一扫
143
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
