华为HCIA-AI v3.0 人工智能 学习笔记

机器学习

1. 机器学习算法

1. 机器学习和传统基于规则的区别：

   • 基于规则的方法：

     (1) 使用显性编程解决问题

     (2) 规则可以被人工明确

   • 机器学习：

     (1) 使用样本训练

     (2) 决策的规则复杂或难以描述

     (3) 由机器自动学习规则

2. 机器学习解决的主要问题：

   • 分类：指定有k种类别来预测类别（离散）

   • 回归：给定输入值来预测数值（连续）

   • 聚类：对未标注的数据集按相似性划分为多个类别

2. 机器学习分类

• 监督学习：利用已知类别的样本训练学习得到一个模型，再利用这个模型将所有输入映射为相应的输出，从而实现分类的目的

  e.g：分类、回归

• 无监督学习：对于没有标记的样本，学习算法直接对输入数据集进行建模，例如聚类，只需要把相似度高的东西放在一起

  e.g：聚类

• 半监督学习：试图让学习器自动地对大量未标记数据进行利用以辅助少量有标记数据进行学习

• 强化学习：学习系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大、

3. 机器学习的整体流程

数据收集 -> 数据清洗 -> 特征提取与选择 -> 模型训练 -> 模型评估与测试 -> 模型部署与整合

4. 其它机器学习重要方法

1. 梯度下降
2. 参数与超参数
3. 交叉验证

5. 机器学习的常见算法

1. 线性回归

• 线性回归（Linear regression）：线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法

• 线性回归是一种有监督学习

• 我们想要预测值与真实值最接近，就是求损失值最小。可以使用梯度下降的方法求 出当损失函数达到最小的时候的权重参数

  声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/很楠不爱3/article/detail/379460