机器学习

1.基本概念

  • 涉及学科:概率论,统计学,逼近论,凸分析,算法复杂度理论等
  • 公司代表:Google,Facebook,百度,阿里巴巴,雅虎等
  • 就业需求:机器学习,数据挖掘,统计分析等
  • 热门应用领域:自动驾驶,人脸识别,计算机视觉,自然语言处理等
  • 训练集:用来进行训练,也就是产生模型或者算法的数据集
  • 测试集:用来专门进行测试已经学习好的模型或者算法的数据集
  • 特征向量:属性的集合,通常用一个向量来表示,附属于一个实例
  • 特征值:特征向量的值
  • 分类:目标标记为类别性数据
  • 回归:目标标记为连续性数据
  • 监督学习:训练有类别标记
  • 非监督学习:训练无类别标记
  • 半监督学习:有类别标记+无类别标记
  • 算法的评估:准确率,速度,强壮性,可规模性,可解释性
  • 深度学习:基于机器学习延伸出来的一个新的领域,由以人大脑结构为启发,神经网络算法为起源,加之模型结构深度的增加发展,并伴随着大数据和计算能力的提高而产生的一系列新的算法

2.监督学习分类

  • 决策树
  • 临近取样
  • 支持向量机
  • 神经网络算法

3.监督学习回归

  • 线性回归
  • 非线性回归

4.非监督学习

你可能感兴趣的:(机器学习)