摘要:欢迎常来为什么要学老师上课时候就说过传统算法解决确定性问题,而机器学习解决非确定性问题。机器学习算法机器学习算法和普通算法还是有很大区别的。而自动驾驶等前言机器人,都使用了增强学习。学习资料在线课程入门机器学习经典算法与应用书籍机器学习实战
文章图片来源于 GitHub,网速不佳的朋友请点我看原文。
顺便软广一下个人技术小站:godbmw.com。欢迎常来♪(^∇^*)
1. 为什么要学?老师上课时候就说过:传统算法解决确定性问题,而机器学习解决非确定性问题。
好吧,确实激起了我的兴趣,所以系统学习一下吧。
2. 机器学习算法机器学习算法和普通算法还是有很大区别的。它不要求百分之百准确,并且对数学要求较高。
我认为重点有几下 4 点:
理解算法原理
应用实际场景
进行对比试验
不同算法对比
同一算法不同参数对比
难点有几下几点:
如何评价算法好坏
解决拟合和过拟合
如何正确调参
如何验证算法正确性
3. 可以解决什么问题?有些算法既可以处理分类、也可以处理回归任务,而在一些情况下,回归任务可以简化为分类任务,以方便问题解决。3.1 分类任务
常见的有分类任务有 2 分类和多分类任务,并且两者之间可以转化。
比如 AlphaGo 下围棋,可以理解成一个多分类任务:因为是在选择棋盘上的落子点。除此之外,推箱子游戏:可能有 2-4 个方向提供选择,也可以理解成分类任务。
3.2 多标签分类而在 ML 前沿领域,实现了多标签分类:不再单纯的是一个分类,而是拥有多个标签。
例如下面这张含有多个标签的图片,多标签会让机器对它的定位更准确:
机器获得结果是一个连续的数字的值,而不是一个类别。连续的值可以划分为无限多个小的点(可以理解成无限多个类别),又怎么能处理成类别呢。
4. 算法分类 4.1 监督学习交给算法的训练数据已经被打了“标签”,或者已经给出了分类。训练后的算法可以给新的数据打标签或者分类。
因此,监督学习的训练数据需要大量的人力来进行标记。
当然,在一些领域已经积累了一些被标记的数据信息,例如大型博客平台,对每篇博客都有分类和标签。这种时候,监督学习的人力成本基本就是 0 了。
4.2 非监督学习给机器的训练数据没有任何“标签”,或者分类。训练后的算法仍然可以给新的数据打标签或者分类。
经常听到的算法,就有聚类分析,比如每个用户都被电商平台划分到某一用户群体。
另一个非常重要的用途,是对数据进行降维处理:
特征提取:提取重要的特征,去除不重要的特征。防止噪声影响特征提取。
特征压缩:在保证数据信息不被过多损害的情况下,将高维向量压缩成低维向量,例如 PCA 算法。在保证稳定性的情况下,提高处理速度。
另一个非常重要的用途:异常检测。如下图所示。以方便算法发现一般性特征和规律。
4.3 半监督学习一部分数据有“标签”或分类,另一部分并没有。
此时,一般通过无监督学习手段对数据进行处理,之后使用监督学习做模型的训练和预测。
4.4 增强学习根据周围环境,采取行动,再根据行动结果,改善学习行动方式。
如下图所示,agent 使我们的算法,当他执行后,会根据环境反馈来执行奖赏或者惩罚,再改进行为模式。循环往复。
而 AlphaGo、自动驾驶等前言机器人,都使用了增强学习。
5. 更多算法分类 5.1 批量学习和在线学习批量学习是指:算法一旦根据数据训练出模型后,不会接受新的数据来优化模型。在线学习是指:算法运行的过程中,也会把吸收新数据进行模型训练。
优缺点显而易见,前者更省心,但是无法适应数据快速变化的场景;后者可以及时针对不同的数据来优化模型,但是容易受到新数据中垃圾数据影响。
5.2 非参数学习和参数学习参数学习是给出数据模型,剩下的工作就是利用算法找出最合适参数。比如假定数据点符合y = ax + b的模型,剩下工作就是用最小二乘法之类的算法找到(a,b)的最优解。
非参数学习相反,不对模型进行过多假设,不将问题理解成学习一些参数。
5. 学习资料在线课程:
Python3 入门机器学习 经典算法与应用
书籍:《python 机器学习实战》
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/19819.html
摘要:普通程序员,如何转向人工智能方向,是知乎上的一个问题。领域简介,也就是人工智能,并不仅仅包括机器学习。但是,人工智能并不等同于机器学习,这点在进入这个领域时一定要认识清楚。 人工智能已经成为越来越火的一个方向。普通程序员,如何转向人工智能方向,是知乎上的一个问题。本文是对此问题的一个回答的归档版。相比原回答有所内容增加。 目的 本文的目的是给出一个简单的,平滑的,易于实现的学习方法,帮...
阅读 3016·2021-11-11 16:55
阅读 3134·2021-10-18 13:34
阅读 576·2021-10-14 09:42
阅读 1623·2021-09-03 10:30
阅读 825·2021-08-05 10:02
阅读 938·2019-08-30 11:27
阅读 3466·2019-08-29 15:14
阅读 1218·2019-08-29 13:02