最适合网络开发者的网站
人工智能。初学者课程

尿素

机器学习术语


机器学习子类别

  • 监督学习
  • 无监督学习

监督机器学习使用一组输入变量来预测输出变量的值。

无监督机器学习使用任何未标记数据集中的模式,尝试了解数据中的模式(或分组)。


机器学习阶段

机器学习有两个主要阶段:

1. 训练:
输入数据用于计算模型的参数。

2. 推理:
“训练有素”的模型可以从任何输入输出正确的数据。


机器学习模型

A 模型 定义标签(y)和特征(x)之间的关系。

模型的生命周期分为三个阶段:

  • 数据采集
  • 训练
  • 推理

机器学习训练

训练的目标是创建一个可以回答问题的模型。例如,房屋的预期价格是多少?


机器学习推理

推理是指使用训练后的模型通过实时数据推断(预测)值。就像将模型投入生产一样。


监督学习

监督学习用途 标记数据 (已知答案的数据)来训练算法:

  • 分类数据
  • 预测结果

监督学习可以 分类 基于已知垃圾邮件示例的“电子邮件中的垃圾邮件是什么”之类的数据。

监督学习可以 预测 根据您播放过的视频,预测您会喜欢什么类型的视频等结果。


无监督学习

无监督学习用于预测未定义的关系,如数据中的有意义的模式。

它是关于创建可以自我改进的计算机算法。

预计机器学习将转向无监督学习,以允许程序员无需创建模型即可解决问题。


强化学习

强化学习基于非监督学习,但无论决策是好是坏,都会收到用户的反馈。反馈有助于改进模型。


自监督学习

自监督学习与无监督学习类似,因为它处理的数据不需要人工添加标签。

不同之处在于,无监督学习使用聚类、分组和降维,而自监督学习针对回归和分类任务得出自己的结论。


钥匙 机器学习术语 是:

  • 关系
  • 标签
  • 特征
  • 楷模
  • 训练
  • 推理

关系

机器学习系统使用 关系 之间输入 生产预测.

在代数中,关系通常写为 y = ax + b:

  • 是我们想要预测的标签
  • A 是直线的斜率
  • X 是输入值
  • b 是截距

在机器学习中,关系可以写成 y = b + wx:

  • 是我们想要预测的标签
  • 是权重(斜率)
  • X 是特征(输入值)
  • b 是截距

机器学习标签

在机器学习术语中, 标签 是我们想要的预测.

这就像 在线性图中:

代数 机器学习
= 斧头 + b = b + wx

机器学习功能

在机器学习术语中, 特征输入.

它们就像 X 线性图中的值:

代数 机器学习
y = 一个X + b y=b+wX

有时可能有许多具有不同权重的特征(输入值):

y=b+w1X1 + w2X2+ w3X3 + w4X4