[机器学习基础]

机器学习基础

人工智能:使机器具备人的意识和思维

人工智能三学派:
行为主义:控制论,如平衡控制系统
符号主义:基于算术逻辑表达式,将问题描述为表达式,使计算机具有理性思维,如专家系统
连接主义:模仿神经元连接关系,使计算机具有感性思维,如神经网络

机器学习(Machine Learning):
人工智能的一个分支,由早期的理论为导向的符号学习,发展为以解决实际问题为导向的机器学习。


通过学习算法,使计算机从大量数据中学习规律并构建模型,从而能对新的数据做出识别对未来做出预测

以线性模型为例:
Step1.建立模型y=wx+b
Step2.通过数据学习模型,确定w,b (关键步骤)
Step3.使用模型预测结果

学习算法:从数据中产生模型的算法
数据集/样本集:用来学习的数据的集合,每一条样本由特征和标签构成

监督学习:对有标记的数据集进行的学习,通过对数据的学习总结出属性和标签的映射关系
(监督学习分为回归问题:预测连续值;分类问题:预测离散值)
无监督学习:对没有标记的数据集进行学习,挖掘数据内部蕴含的关系
(无监督学习通过聚类,将相似度高的样本聚合在一起,距离描述了特征值之间的相似度)
半监督学习:监督学习和无监督学习相结合,利用大量无标记数据和少量有标记数据进行学习

[机器学习基础]_第1张图片
现实应用:股市预测、推荐系统、天气预测、学生行为建模、预测学习表现…

你可能感兴趣的:(机器学习,人工智能,python)