赞
踩
近十年来人工智能越来越热门了,在我们的日常学习中,我们经常听到一大堆专有名词,像人工智能,机器学习,监督学习,非监督学习,深度学习,强化学习这些,那它们之间存在什么样的关系呢?
通过上图,我们可以看到其实都是学习,那么什么是学习?
学习的整个过程应该包含输入,处理,输出,反思。比如说,读书,思考,做笔记,应用到实际,再反思。
学:输入。习:输出实践。
我们所看到的机器学习,其实就是让机器去学习,当然我这里说的是一句废话。
简单来说,就是给我们机器输入一些数据,机器通过某种方式对数据进行运算,然后输出结果,根据这个结果就可以解决预测二和分类等问题。
人类要生存, 每时每刻遇到的问题和发生的事件,都是不确定的未知的。 无法提前给出所有问题的解决办法, 我们需要学习出一种解决问题的模型或者说是思路,套用这个思路就可以解决未知的问题。
下面我们来举个栗子吧! 每天我都想多睡一会, 所以我想预测小车到达小区门口的时间。
通过旧的问题和答案, 学习出来的规律. 应用规律去解决新的问题,得到新的预测。
我们预测校车到达时间, 7:30出发,从A—>B, 预测到达B地的时间. 第一次乘车, 我们预测可能不太准, 但是随着乘车经验的增加, 我们对这条线路越来越书序, 预测就会越来越准确。
让机器具有自我学习的能力,程序的执行结果跟机器获取的数据量有关,增加新的输入,可以生成新的模型,最终程序执行的结果也就会发生变化,就像我们人只要不停的接受新的知识,我们就会对事物有新的认知。
机器学习实际上包含很多熟悉方法,会涉及到统计学,概率论,信息论等知识。利用已知的数据,创建一种模型,最终利用这种模型进行相应的预测。
机器学习:用大量数据进行训练,获取到一个数据模型,预测就是应用训练的模型,来解决一个未知的问题。
那么我们如何去学习机器学习呢?
我们应该尝试去理解原理, 通过简单的输入与输出, 理解数学背后的原理, 我们是为了解决实际问题,才使用数学的,我们应当避免抽象数学以及理论数学。
对于数学公式, 用实际案例去理解计算过程,不畏惧算法,不畏惧论文,不对公式进行数学证明, 靠编写程序直接盐城。
机器学习的步骤:
市面上很多机器学习教程都是从第3步开始的,实际开发中1,2俩步同样是非常重要的。
feature和label
feature是特征是自变量。label是标签的意思,是因变量
用我们最熟悉的直线方程y = mx + b
来解释的话,其中x是特征,它是自变量,是函数的输入,y是因变量,是输出的结果。
feature:自变量,输入
label:因变量,输出
f(feature) = label <===> f(x) = y
举个栗子吧:f(海啸等级) = 经济损失
机器学习解决的是两大类问题,一个是分类问题,另一个是回归。
分类问题:classification,数据结果往往是离散的。
回归问题:regression,数据往往是连续的。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。