什么是机器学习

什么是机器学习

机器学习是人工智能(AI)的一个分支，它提供了自动学习函数并可以从经验中学习的能力。它由 Arthur Samuel 于 1959 首次引入。

主要目的是使计算机能够自动学习，而无需人工参与或协助，并相应地调整操作。许多问题在历史上对于人类来说都是非常容易的，而对于网络来说则是非常困难的，因此，机器学习(尤其是深度学习)是目前针对其中许多问题的最佳解决方案。

例如，医学诊断，图像处理，预测，分类，回归等。

机器的进化

机器学习的特点

• 机器学习使用数据来检测任何数据集中的各种模式。
• 这是一种数据驱动技术。
• 它可以从过去的数据中学习并自动进行改进。
• 机器学习类似于数据挖掘，因为它处理大量数据。

机器学习的需要

机器学习的需求正在迅速增长。作为人类有很多局限性，因为无法手动访问大量数据，因此，需要一些计算机系统。机器学习使工作变得轻松。

它的用例可以轻松理解机器学习。目前，自动驾驶汽车，网络欺诈检测，面部识别和 Facebook上的好友建议中都使用了机器学习。

一些顶级公司，例如 Amazon和Netflix ，已经建立了机器学习模型，它们使用大量数据来分析用户兴趣并正确推荐产品。它还可用于查找隐藏的模式并从数据中提取有用的信息。

机器学习类型

• 监督学习     - "训练他们！"
• 无监督学习 - "在学习中自给自足！"
• 强化学习     - "生活就是规则(命中与审判)！"

监督学习

监督学习是机器学习的一种，无涯教程可以考虑由老师来指导学习。

链接：https://www.learnfk.comhttps://www.learnfk.com/tensorflow/what-is-machine-learning-in-tensorflow.html

来源：LearnFk无涯教程网

拥有的数据集将充当老师，并用于训练模型和机器。一旦训练了模型，便会在给出新数据时开始做出预测或决策。

它可以分为两种类型:

• 分类
• 回归

分类  -  这是一种旨在重现课堂作业的技术。它产生响应值，并将数据分为"类"。

回归  -  回归是一种旨在产生输出值的技术，可以使用它。

示例:用于预测其他产品的价格。

无监督学习

当列车信息既未分类也未标注时，将使用无监督机器学习算法。如果为模型提供数据集，它将通过在模型中创建聚类来自动在数据集中查找模式和关系。

假设根据模型和关系将苹果，香蕉和芒果的图像展示给该模型，从而创建了聚类并将数据集分为多个聚类。现在，如果将新数据传递到模型，则将其添加到生成的组之一中。

它也有两种类型:

• Clustering
• Association

集群  -  聚类用于发现特定事物的相似性和差异性。它将相似的事物分组。该算法可以帮助解决许多障碍。

示例:根据其内容创建类似推文的集群，查找具有类似汽车的照片组，或识别不同类型的新闻。

关联  - 关联规则挖掘是聚类后无监督数据挖掘方法的另一关键，它可以在大量数据项中找到有趣的关联(关系，依赖项)。

半监督学习

它介于有监督的学习和无监督的学习之间。因此，他们将标记和未标记的数据都用于训练，其中使用少量标记数据和大量未标记数据。

通常，当获取的标记数据需要熟练且重要的资源来训练它时，便选择半监督学习。

无涯教程网

强化学习

强化学习是代理与环境互动并找出最佳结果的能力。

它采用了"命中和尝试"方法的概念。代理商会得到正确答案或错误答案的奖励或谴责，并根据获得的积极奖励积分获得模型训练本身。并且再次训练它可以预测提供给它的新数据。

代理商的目标是获得最大的奖励积分并改善其绩效。

深度学习

深度学习还是人工智能机器学习的一个子集。学习可以是有监督，半监督或无监督的。

深度学习是一种机器学习方法，可以使计算机做好准备以实现人类自然需要的东西。深度学习是无人驾驶汽车背后的一项关键技术，使他们能够识别停车标志。

在深入学习中，最近遭受了很多关注，充分理由。计算机模型学习直接从深度学习中的任何图像，文本和声音执行分类任务。

术语" 深"通常是指神经网络中隐藏层的数量。常规的神经网络仅包含2-3个隐藏层，而深度网络可以包含150个隐藏层。