这些是最热门的机器学习技术!

在上文中我们已经了解了机器学习的原理,就是模仿人类大脑进行学习的过程,通过让机器模仿这种学习过程实现所谓的“智能”。

经过近几十年的发展,机器学习的方法也越来越成熟,主要有以下几种:

  • 监督学习
  • 无监督学习
  • 强化学习
  • 深度学习
  • 深度强化学习

机器学习方法

如上图所示,机器学习是从左往右的发展方向,每一阶段的学习方法都比上一代优秀了很多。
下面简单介绍这几种机器学习方法的工作原理。

监督学习

监督学习指的是让机器从现有的标注好的已知数据中学习预测模型的学习方法。

简单来说,先给定计算机一组标记好的数据,让计算机用回归或分类的方法计算出数据与标记之间的经验关系。

通过这种方式,计算机最终会得出一个预测模型,训练数据越多,预测模型越准确。

而所谓的“回归”和“分类”方法,是计算机的两种寻找规律的方式。具体如下:

回归方法
计算机通过给定的标记与数据之间的特征值,计算出标记与数据之间的经验关系。

这种方法最终得到的预测模型其实就是“经验关系”。当训练完成,你可以使用模型对未知数据进行预测,以此来测试计算机是否已经学习到了。

分类方法
分类方法指的是让计算机将性质相似的数据分类为一个组。这种方法得到的模型是一个分类器。
训练完成后,你可以使用未知数据让分类器进行分类,根据分类结果判断计算机的预测精度水平。
监督学习的方法包括:KNN、SVN等。

无监督学习

无监督学习是相对于监督学习来讲的,是对监督学习的升级版。

无监督学习指的是从无标注的数据集中学习预测模型的方法。

监督学习需要给计算机标记好的训练集,而无监督学习不需要人工标记训练集,计算机会根据现有的数据集的特征,自动对数据集进行分类。

无监督学习的方法有:聚类、K均值、PCA等

强化学习

强化学习与监督学习、无监督学习最大的区别,就是它不是一个分类任务。

强化学习训练时,需要环境给予反馈,以及对应具体的反馈值。通过反馈值告诉预测模型预测结果是“好”还是“坏”,然后通过外界的反馈结果调整预测模型。

深度学习

深度学习是无监督学习的一种,它模仿的是人类大脑神经网络。

常用的深度学习方法有深度神经网络、深度信念网络、递归神经网络和卷积神经网络等。

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。

深度强化学习

深度学习具有较强的感知能力,但是缺乏一定的决策能力;而强化学习具有决策能力,对感知问题束手无策。因此,深度强化学习将深度学习和强化学习相结合,优势互补,为复杂系统的感知决策问题提供了解决思路。

该技术在机器人、视频游戏、金融和医疗领域取得了巨大成功。许多以前无法解决的问题现在通过创建DRL模型得到了解决。

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:这些是最热门的机器学习技术! - Python技术站

(0)
上一篇 2023年4月12日
下一篇 2022年11月12日

相关文章

  • 过去5年最受欢迎机器学习论文+代码速查

    … 过去5年最受欢迎机器学习论文+代码速查 新智元编译 来源:paperswithcode.com 编辑:肖琴 【新智元导读】Papers with Code网站将ArXiv上的最新机器学习论文与GitHub上的代码联系起来。这个项目索引了大约5万篇论文和1万个GitHub库,你可以按标题关键词查询,也可以按流行程度、GitHub星星数排列“热门研究”,…

    机器学习 2023年4月13日
    00
  • Coursera 吴恩达 机器学习 学习笔记

    Week 1 机器学习笔记(一)基本概念与单变量线性回归 Week 2   机器学习笔记(二)多元线性回归 机器学习作业(一)线性回归——Matlab实现 机器学习作业(一)线性回归——Python(numpy)实现 Week 3   机器学习笔记(三)逻辑回归 机器学习作业(二)逻辑回归——Matlab实现 机器学习作业(二)逻辑回归——Python(nu…

    机器学习 2023年4月10日
    00
  • 机器学习工程师 – Udacity 项目:实现一个狗品种识别算法App

    步骤 0: 导入数据集 导入狗数据集 在下方的代码单元(cell)中,我们导入了一个狗图像的数据集。我们使用 scikit-learn 库中的 load_files 函数来获取一些变量: train_files, valid_files, test_files – 包含图像的文件路径的numpy数组 train_targets, valid_targets,…

    2023年4月10日
    00
  • 【机器学习】感知机学习算法(PLA)

      感知机问题学习算法引入:信用卡问题 根据已知数据(不同标准的人的信用评级)训练后得出一个能不能给新客户发放信用卡的评定结果 解决该问题的核心思想扔为之前所讲到的梯度下降算法,对于更多条件的类似问题,首先选取一个超平面w0,b0,然后用梯度下降算法不断极小化目标函数,使得此过程中随机一个有误分类点的梯度下降。 过程通过随机选取一个分类点,(xi,yi)依据…

    机器学习 2023年4月10日
    00
  • 周志华-机器学习西瓜书-第三章习题3.5 LDA

    本文为周志华机器学习西瓜书第三章课后习题3.5答案,编程实现线性判别分析LDA,数据集为书本第89页的数据 首先介绍LDA算法流程:   LDA的一个手工计算数学实例:   课后习题的代码: # coding=utf-8# import flattenimport tensorflow as tffrom numpy import *import numpy…

    机器学习 2023年4月12日
    00
  • 机器学习之前的环境准备

    机器学习环境准备,以及一些会出现的错误 Conda 安装 清华镜像无脑下一步即可 创建遇到的问题以及解决办法 HTTP 000 问题 进入“C:\Users\Administrator”文件夹找到“.condarc”文件,修改内容为 ssl_verify: true show_channel_urls: true channels: – http://mir…

    机器学习 2023年4月11日
    00
  • 机器学习笔记—–决策树算法1

    引言:今天来和大家谈谈决策树算法。决策的重要性,我想就不必我多言了吧。但是还是先请大家看一下知乎的这个问题,普通人如何通过训练提高决策能力,http://www.zhihu.com/question/49602855?location=35 ,然后我们在来聊一聊,计算机如何快速提高决策能力。我想以自己为主,计算机为辅的决策将会给我们的生活带来质的飞跃。比如我…

    机器学习 2023年4月12日
    00
  • 机器学习公开课笔记第二周,线性回归的梯度下降法

    一,梯度下降法Gradient Decent 当我们以线性回归的模型来拟合我们的数据集时,我们如何来确定假设函数的参数值呢? 首先我们以两个参数为例,即Hθ(x) = θ0 + θ1X,也就是一个一次函数,而代价函数,我们为了尽量拟合数据集,也就是选择合适的θ0(截距), θ1(斜率)使代价函数J(θ0,θ1)最小, 那我们该如何计算θ0, θ1? 假设θ0…

    机器学习 2023年4月11日
    00
合作推广
合作推广
分享本页
返回顶部