码迷,mamicode.com
首页 > 其他好文 > 详细

人工智能基础--机器学习初步了解

时间:2019-11-14 22:10:49      阅读:125      评论:0      收藏:0      [点我收藏+]

标签:app   统计   基本   学习   信息   答案   learning   for   预测   

今天学的机器学习部分,做一些总结:

 
机器学习的一般过程
技术图片

 

 技术图片

 

 

机器学习方法 
有监督学习(supervised learning):从给定的有标注的训练数据集中学习出一 个函数(模型参数),当新的数据到来时可以根据这个函数预测结果。 常见任务包 括分类与回归。 
 
分类:输出是类别标签 
技术图片

 

 

回归:输出是实数
技术图片

 

 

 

无监督学习(unsupervised learning):没有标注的训练数据集,需要根据样 本间的统计规律对样本集进行分析,常见任务如聚类等。
技术图片

 

 

半监督学习(Semi-supervised learning): 结合(少量的)标注训练数据和(大量的)未标 注数据来进行数据的分类学习。 
 
技术图片

 

两个基本假设:
• 聚类假设:处在相同聚类中的样本示 例有较大的可能拥有相同的标记。
• 流形假设:处于一个很小的局部区域 内的样本示例具有相似的性质,因此, 其标记也应该相似。
技术图片

 

 

 

增强学习(Reinforcement Learning):外部环境对输出只给出评价信息而非正确答案,学习机通过强化受奖励的动作来改善自身的性能。
如:让计算机学着去玩Flappy Bird
我们不需要设置具体的策略,比如先飞到上面,再飞到下面,我们只是需要给算法定一个“小目标”!比如当计算机玩的好的时候,我们就给
它一定的奖励,它玩的不好的时候,就给它一定的惩罚,在这个算法框架下,它就可以越来越好,超过人类玩家的水平。 
技术图片

 

多任务学习(Multi-task Learning):把多个相关 (related)的任务放在一起同时学习。 单任务学习时,各个任务之间的模型空间(Trained Model)是相互 独立的,但现实世界中很多问题不能分解为一个一个独立的子问题, 且这样忽略了问题之间所包含的丰富的关联信息。多任务学习就是为 了解决这个问题而诞生的。多个任务之间共享一些因素,它们可以在 学习过程中,共享它们所学到的信息,相关联的多任务学习比单任务 学习具备更好的泛化(generalization)效果。
技术图片

 

利用点:

搜素引擎:网页、图片、视频、新闻、学术、地图
信息推荐:新闻、商品、游戏、书籍
图片识别:人像、用品、动物、交通工具
用户分析:社交网络、影评、商品评论 机
器翻译、摘要生成……
生物信息学…… 
技术图片

 

 

机器学习准备

 技术图片

 

 数据清洗:

技术图片

 

 

数据采样 

 技术图片

 

 

数据集拆分

技术图片

 

 特征选择:

 

技术图片

 

 

特征降维 
技术图片

 

 

特征编码 
技术图片

 

 

技术图片

 

 

 

 

规范化

技术图片

 

 举例子:

技术图片

 

 以下是扩展:

技术图片

 

 

 

人工智能基础--机器学习初步了解

标签:app   统计   基本   学习   信息   答案   learning   for   预测   

原文地址:https://www.cnblogs.com/mutudou/p/11862616.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!