机器学习(一)——机器学习概述

机器学习(一)——机器学习概述

(原创内容,转载请注明来源,谢谢)

前言:近期开始学习机器学习,当前视频和书籍一起看,视频看的是吴恩达的机器学习系列课程,书籍看的《机器学习实战》。目前是机器学习小白,希望各位有感兴趣的,可以一起开始学机器学习。大家可以多交流~~

另外,由于工作上还是在做web服务端,因此还会经常更新对于web的学习体会~希望大家共同进步。

一、概述

机器学习是近期非常火的技术,其可以将输入的数据经过一定的处理,得到结果,具有预测、决策、统计、分类等功能,被广泛应用于各行各业。

机器学习主要分为两大类:监督学习(supervisor learning)和无监督学习(unsupervisor learning)。

二、监督学习

1、概念

监督学习,指的是在已知结果的类别的情况下,将一系列的数据交给计算机,由其进行处理后,得出不同数据是从属于哪个类别的。

2、主要任务

监督学习主要用于分类、回归两大功能。

1)分类

分类的结果是离散的。例如要将不同的花进行分类,根据花的颜色、形状、大小等因素,得出花的类型。对于这个工作,首先其总的类别是已知的,所以称为监督学习,其次其结果是有限个的,所以其叫做分类。

2)回归

与分类相对,回归是处理连续的结果。例如根据房子的面积、地段、楼层、朝向等因素,预测房子的价格。虽然价格最多精确到分,但是还是可以看作是连续函数。另外,由于可以确定结果就是价格,所以结果类别是已知的,所以也是监督学习。

3、常用算法

监督学习常用的算法包括:K-近邻(KNN)、线性回归、朴素贝叶斯、局部加权线性回归、支持向量机(SVM)、Ridge回归、决策树、Lasso最小回归系数估计等。

三、无监督学习

1、概念

无监督学习,指的是结果未知的情况下,给计算机一系列数据,由计算机自行处理后,得出不同结果的分类。

2、主要任务

无监督学习主要用于聚类、密度估计功能,另外对于降低数据维度也有重要作用。

1)聚类

可以类比监督学习的分类,聚类就是在未知结果有哪些类别的情况下,离散的数据经由计算机计算后,得出结果的过程。例如很多门户网站的新闻列表,都是从各个网站上将链接抓取,再分析新闻的内容,进行聚类。

2)密度估计

可以类比回归。密度估计即在未知结果类别情况下,将连续的数据给计算机,由其计算并告知结果。

3、常用算法

无监督学习常用的算法包括:K-均值(K-Means)、最大期望算法、DBSCAN、Parzen窗设计等。

四、机器学习开发步骤

机器学习应用开发,主要步骤如下:

1、收集数据

对于机器学习来说,没有数据就没有学习可言。数据可以是爬虫抓取、开源语料库、自己提供的数据源等。

2、准备输入数据(人工)

根据需要处理的数据,对格式进行整理,以便后续处理。这一步骤是人工进行。

3、分析输入数据(人工)

这一步骤主要是剔除错误数据。对于明显错误的数据,可以人工剔除。但是这个会增大工作量,对于好的算法而言,可以省略这个步骤。

4、训练算法

这一步骤是专门针对监督学习而言的。

监督学习由于已经知道结果的类别,因此,需要先给计算机一组数据,是一组类似{特征1,特征2,…特征N,结果}的数据集合,让计算机进行“学习”。

对于无监督学习,由于不确定结果的类型,因此不需要“学习”。

5、测试算法

这一步是非常重要的。给定一些数据,让计算机告知处理后的结果,并且人工查看结果是否符合要求。对于不符合要求的,需要重新调整算法的参数。

6、使用算法

在项目中使用算法。

——written by linhxx 2017.12.27

原文发布于微信公众号 - 决胜机器学习(phpthinker)

原文发表时间:2017-12-27

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI研习社

传统算法如何转化成神经网络?| 回顾

在当今AI时代中,CNN和RNN都被广泛关注,并且有很多相关讨论,而最基础的神经网络DNN,它的研究和曝光度却相对较少。DNN是所有其它神经网络的基础,所以对它...

37012
来自专栏人工智能LeadAI

常用机器学习算法优缺点及其应用领域

决策树 ? 决策树优点 1、决策树易于理解和解释,可以可视化分析,容易提取出规则。 2、可以同时处理标称型和数值型数据。 3、测试数据集时,运行速度比较快。 ...

2986
来自专栏有趣的Python

3-机器学习启蒙- 分类-分析情感

3- 分类-分析情感 讨论分类,普遍研究。 是否是垃圾邮件 是运动话题还是政治话题,亦或是娱乐话题 餐厅点评 从主题预测情感:智能餐厅评价系统 今天是个好日子,...

2847
来自专栏Java 源码分析

数字图像处理

1878
来自专栏机器之心

学界 | 与模型无关的元学习,UC Berkeley提出一种可推广到各类任务的元学习方法

选自BAIR Blog 作者:Chelsea Finn 机器之心经授权编译 参与:路雪、蒋思源 学习如何学习一直是机器学习领域内一项艰巨的挑战,而最近 UC B...

3099
来自专栏机器之心

学界 | 通过Crowd Layer,利用众包标注数据集进行深度学习

选自arXiv 机器之心编译 参与:刘晓坤、路雪 本文通过在深度神经网络中引入一种新型众包层(crowd layer),通过反向传播方式,直接利用噪声标签实现端...

4306
来自专栏机器之心

CVPR 2018 | 密歇根大学&谷歌提出TAL-Net:将Faster R-CNN泛化至视频动作定位中

1564
来自专栏iOSDevLog

机器学习概述与算法介绍

1595
来自专栏小巫技术博客

深度学习的一些概念分享

752
来自专栏云时之间

什么是检验神经网络?

各位小伙伴们大家好,今天让我们聊聊在做好了自己的神经网络以后来如何评价自己的神经网络的并且如何从评价当中如何改进我们的神经网络。 其实评价神经网络的方法和评价其...

3638

扫码关注云+社区