机器学习的基础知识是什么，以及在机器学习应用程序中评估风险和其他问题的必要工具是什么？本文介绍机器学习必要入门基础知识教程。
机器学习的目标是在数据中找到模式并使用这些模式进行预测，它还可以为我们提供一个讨论机器学习问题和解决方案的框架方法。
首先，我们将从机器学习的定义和应用开始，然后，我们将讨论机器学习中的抽象，并使用它来构建我们的讨论：数据，模型，优化模型和优化算法，并总结使用机器学习的实用指南。
那么，机器学习到底是什么？
机器学习通常是一组用于查找数据模式的技术，应用范围从自动驾驶汽车到个人AI助手，从英语和中文之间的翻译到语音和文本之间的翻译。机器学习的一些常见应用已经或可能潜入日常工作中。
- 检测异常
- 识别网站流量的高峰或突出显示异常的活动。
- 推荐相似的内容
- 查找你可能正在寻找的产品，或者相关文章。
- 预测未来
- 规划车辆的路径或确定并推断股票的市场趋势。
以上是机器学习的许多应用中的一小部分，但大多数应用程序与学习数据的基础分布有关。分布指定每个事件的事件和概率。例如
- 有50％的概率，你买一件物品50RMB-100RMB。
- 有概率为1％，你购买的物品> 100RMB。
使用此分发，我们可以完成上述所有任务：
- 检测异常
- 购买100RMB物品，我们可以称之为异常。
- 推荐相似内容
- 购买一件物品价格在50RMB-100RMB。
- 预测未来
- 如果没有任何先前的信息，我们可以预测下次购买将是50RMB-100RMB。
通过分发数据，我们可以完成无数的任务。总之，机器学习的一个目标是学习这种分布。
抽象
机器学习中有无数的主题，为了更好地了解每个部分在更大的图片中的位置，需要学习各种抽象分类。
以下分类摘自加州大学伯克利分校的Jonathan Shewchuck教授：
应用程序和数据：考虑问题的可能输入和所需输出。
模型：确定所考虑的功能类别。
优化问题：制定数学的具体目标。
优化算法：确定如何解决优化问题。
机器学习主要是学习了解机器工作原理与结构，程序应用学习数据的基础分布与抽象分类学习。
分享到:
閱讀更多 常青春科技 的文章
