50个主流App，41个都在“偷看”你的剪贴板

机器学习就是这样一个例子。很多时候，我们在学习过程中迷失了方向，从而失去了继续学习的动力。许多概念需要系统化。但是今天，我想为大家介绍机器学习的所有概念，这些概念将有助于你更快地了解这个领域。这篇文章将适合那些刚刚入门并且已经在实践中开始使用机器学习的人。

概述：

1. 动机
2. 分类
3. 问题类型
4. 类
5. 性能分析
6. 算法
7. 调试

废话不多说，让我们直接开始吧!

机器学习概念

这些概念中的每一个都会引出其他更小的衍生概念。在这里，我会为每一个术语给出最短和最简单的定义：

1、动机

动机对于机器学习来说很重要，因为它形成了模型与数据进行比较的过程。机器学习的动机有两种方法：

• 预测。非线性模型认为，海带的预测变量可以作为判别结果的输入，但不是每种方式的输入都会影响预测。例如，以预测为导向的观点最适合回答这样一个问题：我的车是被高估还是低估了?如果对此应用推论，模型的可解释性将大大降低。
• 推断。线性模型来区分影响预测的每个输入的方式。例如，它会给你一个精确的答案：如果我的车能在没有车顶的情况下行驶，它会花多少钱?通过比较模型的预测结果，推断比非线性预测更容易理解。

2、分类

与其他方法一样，训练机器学习算法的方法也各不相同，而且各有优缺点：

• 监督学习。任务驱动型方法，在这个过程中，计算机由“老师”提供示例输入及其期望的输出，目标是学习将输入映射到输出的一般规则。
• 无监督学习。数据驱动型方法，目标是通过对数据中的底层结构或分布进行建模来了解更多有关数据的信息。它可以是两种类型：发现数据中隐藏的模式，也可以是达到目的的方法(特征学习)。
• 强化学习。此类别基于从错误中学习，该错误使用奖励和惩罚系统训练算法。

（编辑：济南站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!