機器學習的基礎知識是什麼，以及在機器學習應用程序中評估風險和其他問題的必要工具是什麼？本文介紹機器學習必要入門基礎知識教程。
機器學習的目標是在數據中找到模式並使用這些模式進行預測，它還可以為我們提供一個討論機器學習問題和解決方案的框架方法。
首先，我們將從機器學習的定義和應用開始，然後，我們將討論機器學習中的抽象，並使用它來構建我們的討論：數據，模型，優化模型和優化算法，並總結使用機器學習的實用指南。
那麼，機器學習到底是什麼？
機器學習通常是一組用於查找數據模式的技術，應用範圍從自動駕駛汽車到個人AI助手，從英語和中文之間的翻譯到語音和文本之間的翻譯。機器學習的一些常見應用已經或可能潛入日常工作中。
- 檢測異常
- 識別網站流量的高峰或突出顯示異常的活動。
- 推薦相似的內容
- 查找你可能正在尋找的產品，或者相關文章。
- 預測未來
- 規劃車輛的路徑或確定並推斷股票的市場趨勢。
以上是機器學習的許多應用中的一小部分，但大多數應用程序與學習數據的基礎分佈有關。分佈指定每個事件的事件和概率。例如
- 有50％的概率，你買一件物品50RMB-100RMB。
- 有概率為1％，你購買的物品> 100RMB。
使用此分發，我們可以完成上述所有任務：
- 檢測異常
- 購買100RMB物品，我們可以稱之為異常。
- 推薦相似內容
- 購買一件物品價格在50RMB-100RMB。
- 預測未來
- 如果沒有任何先前的信息，我們可以預測下次購買將是50RMB-100RMB。
通過分發數據，我們可以完成無數的任務。總之，機器學習的一個目標是學習這種分佈。
抽象
機器學習中有無數的主題，為了更好地瞭解每個部分在更大的圖片中的位置，需要學習各種抽象分類。
以下分類摘自加州大學伯克利分校的Jonathan Shewchuck教授：
應用程序和數據：考慮問題的可能輸入和所需輸出。
模型：確定所考慮的功能類別。
優化問題：制定數學的具體目標。
優化算法：確定如何解決優化問題。
機器學習主要是學習瞭解機器工作原理與結構，程序應用學習數據的基礎分佈與抽象分類學習。
分享到:
閱讀更多 常青春科技 的文章
