机器学习(一)—— 简介

发布时间:2024年01月18日

参考书籍《机器学习和深度学习:原理、算法、实战》

1 工业界流行的机器学习算法

  • 线型回归
  • 逻辑回归
  • 决策树
  • 随机森林
  • 梯度提升机
  • 人工神经网络
  • 卷积神经网络
  • 循环神经网络
  • 贝叶斯技术
  • 支持向量机
  • 进化方法
  • 马尔可夫逻辑网络
  • 隐马尔可夫模型
  • 生成对抗网络

2 机器学习

机器学习也被称为增强分析,被认为是人工智能的一个子集,与计算统计学密切相关。机器学习预测未来的准确率会随着经验积累而提高,为了达到目标准确率,机器学习算法需要用训练数据来进行训练。
典型的机器学习例程如下图所示:
请添加图片描述

3 深度学习

深度学习是机器学习算法的一个子集,又称分层学习,给定原始输入数据,深度学习逐步从多个层次中提取更高层次的表征,深度学习技术一个常用领域是图像学习。

4 预备知识

  • 线型代数:标量、向量及其运算;特征值和特征向量;常用矩阵运算
  • 初等微积分(高等数学):函数、导数、偏导数、微分、梯度、基本积分
  • 基本统计学和概率论:总体、样本、变量及其分类、均值、中位数、众数、参数、统计量、分布测度、定量和定性分析实例、概率论的基本理论和相关概念
  • 编程基础:python(基础语法、NumPy、Pandas)->TensorFlow(开源库,丰富的工具)

5 监督学习与无监督学习

  • 监督学习:典型算法有分类和回归算法,需要训练模型
  • 无监督学习:典型算法有聚类分析,不需要预先训练模型
文章来源:https://blog.csdn.net/qq_39916709/article/details/134877685
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。