【机器学习 | 开山篇】打造坚实基础、Kaggle 登榜之路

‍♂️ 个人主页: @AI_magician
主页地址： 作者简介：CSDN内容合伙人，全栈领域优质创作者。
‍景愿：旨在于能和更多的热爱计算机的伙伴一起成长！！‍
‍♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）

【深度学习 | 核心概念】那些深度学习路上必经的核心概念，确定不来看看？ （一） 作者： 计算机魔术师 版本： 1.0 （ 2023.8.27 ）

---

摘要： 本系列旨在普及那些深度学习路上必经的核心概念，文章内容都是博主用心学习收集所写，欢迎大家三联支持！本系列会一直更新，核心概念系列会一直更新！欢迎大家订阅

该文章收录专栏
[✨— 《深入解析机器学习：从原理到应用的全面指南》 —✨]

开篇词

机器学习主要是三个核心步骤，算法进行到每一步都要围绕以下三步

• 如何将现实场景中的问题抽象成相应的数学模型，并知道在这个抽象过程中，数学模型
  有怎样的假设。
• 如何对相应的数学模型参数进行求解。
• 如何根据实际问题提出评估方案，对应用的数学模型进行评估，看是否解决了实际问
  题。(损失函数)

半监督学习、监督学习和非监督学习是机器学习中的三个核心概念，它们在数据处理和模型训练方面有所不同。下面我将详细解释这些概念以及它们之间的区别、效果和作用。

1. 监督学习：

• 监督学习是一种利用已标记好的训练样本来构建预测模型的机器学习方法。
• 在监督学习中，我们使用输入特征与其对应的输出标签进行训练，并通过最小化预测值与真实标签之间的差异（损失函数）来优化模型。
• 这些已知标签充当了“指导”或“监督”的角色，帮助算法理解如何从输入映射到正确输出。
• 常见的监督学习算法包括线性回归、逻辑回归、决策树等。

2. 非监督学习：

• 非监督学习是一种无需事先提供标签信息而直接从未标记数据集中发现结构或模式的机器学习方法。
• 在非监督学习中，我们主要关注数据内部的关系和相似性，以找出隐藏在数据背后的模式、特征或群集，非监督学习
• 非监督学习可以帮助我们发现数据中的异常值、聚类相似样本以及降低数据维度等任务。
• 常见的非监督学习算法包括聚类（如K-means、层次聚类）、关联规则挖掘和主成分分析（PCA）等。

3. 半监督学习：

• 半监督学习是介于监督学习和非监督学习之间的一种方法，它既利用有标签的训练样本又使用未标记的数据来构建预测模型。
• 在半监督学习中，我们假设未标记数据具有与已标记数据相似性质，并尝试通过这些未标记样本提供额外信息改进模型性能。
• 半监督学习适用于当我们难以获得大量已标记样本时，在少量已知结果下需要更好泛化能力时，或者想要充分利用可获取到的未标签数据时。

区别和作用：

1. 区别：

   • 监督学习需要明确指定输入特征与输出目标之间的对应关系，而非监督和半监督方法不依赖于事先给定目标变量。
   • 非监督学习主要关注数据内部结构，而监督和半监督学习更侧重于预测任务。
   • 半监督学习则是在有限的标签样本下尽可能利用未标记数据来提高模型性能。

2. 效果和作用：

   • 监督学习通常适用于需要精确预测或分类目标变量的情况，例如垃圾邮件检测、图像识别等任务。
   • 非监督学习可以帮助我们发现数据中的隐藏模式，进行分群、异常检测等。它对于探索性数据分析和特征工程非常有用。
   • 半监督学习通过结合已知标签和未知标签信息来改善模型性能，并且在训练样本稀缺或获取大量已标记样本成本较高时具有优势。

这些机器学习方法各自在不同应用场景中发挥作用。选择何种方法取决于你想要解决的问题类型以及可获得的数据。

						  到这里，如果还有什么疑问
					欢迎私信博主问题哦，博主会尽自己能力为你解答疑惑的！
					 	 如果对你有帮助，你的赞是对博主最大的支持！！