机器学习(一) 本文(3万字) | 机器学习概述 |


推荐阅读,点击查看


文章目录

    • 1. 统计学习(机器学习)
      • 1.1 特点
      • 1.2 对象
      • 1.3 目的
      • 1.4 方法
      • 1.5 步骤
    • 2. 基本分类
      • 2.1 监督学习
        • 2.1.1 输入空间、特征空间和输出空间
        • 2.1.2 概率分布
        • 2.1.3 假设空间
        • 2.1.4 问题的形式化
      • 2.2 无监督学习
      • 2.3 强化学习
      • 2.4 半监督学习与主动学习
    • 3. 基于模型分类
    • 4. 基于技巧分类
      • 4.1 贝叶斯学习
      • 4.2 核方法
    • 5. 统计学习三要素
      • 5.1 模型
      • 5.2 策略
        • 5.2.1 损失函数与风险函数
        • 5.2.2 经验风险最小化与结构风险最小化
      • 5.3算法
    • 6. 模型评估与选择
      • 6.1 训练误差与测试误差
      • 6.2 过拟合与模型选择
    • 7. 正则化与交叉验证
      • 7.1 正则化
      • 7.2 交叉验证
    • 8. 泛化能力
    • 9. 生成模型与判别模型
    • 10. 监督学习应用
  • 机器学习概述(另一版本_跟的一个网课笔记)
    • 引入
    • 基本概念
    • 函数-算法-模型
    • 机器学习-数据分析-数据挖掘区
    • 机器学习分类
      • 分类方式一
        • 有监督学习(分类类型的算法)
        • 无监督学习
        • 半监督学习(SSL)
        • 分类方式二
      • 网页机器学习分类
    • 机器学习开发流程
      • 数据收集与存储
      • 数据清洗和转换
        • 类型特征转换之1-of-k(哑编码)
        • 文本数据抽取
      • 模型训练及测试
      • 模型部署和整合
      • 模型的监控与反馈
    • 1. 机器学习
    • 2. 深度学习与目标检测
    • 3. YOLOv5
    • 4. YOLOv5改进
    • 5. YOLOv8及其改进
    • 6. Python与PyTorch
    • 7. 工具
    • 8. 小知识点
    • 9. 杂记


1. 统计学习(机器学习)


1.1 特点


统计学习(statistical learning)是关于计算机基于数据构建概率统计模型并运用模型数据进行预测与分析的一门学科。统计学习也称为统计机器学习(statistical machine learning)

统计学习的主要特点是:(1)统计学习以计算机及网络为平台,是建立在计算机及网络上的:(2)统计学习以数据为研究对象,是数据驱动的学科:(3)统计学习的目的是对数据进行预测与分析:(4)统计学习以方法为中心,统计学习方法构建模型并应用模型进行预测与分析:(5)统计学习是概率论、统计学、信息论、计算理论、最优化理论及计算机科学等多个领域

你可能感兴趣的:(机器学习,人工智能,深度学习,目标检测,vscode,pytorch,python)