- 综合排序
- 最热优先
- 最新优先
- 来自专栏PPV课数据科学社区
【机器学习】机器学习系列：（一）机器学习基础
机器学习是设计和研究能够根据过去的经验来为未来做决策的软件，它是通过数据进行研究的程序。机器学习的基础是归纳（generalize），就是从已知案例数据中找出未知的规律。 然后，我们介绍机器学习系统可以处理的常见任务。最后，我们介绍机器学习系统效果评估方式。 从经验中学习 机器学习系统通常被看作是有无人类监督学习两种方式。 监督学习是通过一个输入产生一个带标签的输出的经验数据对中进行学习。机器学习程序中输出结果有很多名称，一些属于机器学习领域，另外一些是专用术语。 机器学习任务 常见的监督式机器学习任务就是分类（classification）和回归（regression）。 本书不会涉及这类需要上百个机器并行计算才能完成的任务，许多机器学习算法的能力会随着训练集的丰富变得更强大。但是，机器学习算法也有句老话“放入的是垃圾，出来的也是垃圾”。
2K123发布于 2018-04-23 - 来自专栏数据科学与人工智能
【机器学习】读懂机器学习
在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。 本文的主要目录如下： 1.一个故事说明什么是机器学习 2.机器学习的定义 3.机器学习的范围 4.机器学习的方法 5.机器学习的应用–大数据 6.机器学习的子类–深度学习 7.机器学习的父类–人工智能 而在机器学习领域，根据著名的一个实验，有效的证实了机器学习界一个理论：即机器学习模型的数据越多，机器学习的预测的效率就越好。 7.机器学习的父类–人工智能 人工智能是机器学习的父类。深度学习则是机器学习的子类。 介绍中首先是机器学习的概念与定义，然后是机器学习的相关学科，机器学习中包含的各类学习算法，接着介绍机器学习与大数据的关系，机器学习的新子类深度学习，最后探讨了一下机器学习与人工智能发展的联系以及机器学习与潜意识的关联
1.3K90发布于 2018-02-26 - 来自专栏后端码匠
【机器学习】机器学习-概述
---- 简单的一句话：让机器从数据中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好，这就是机器学习。 对比于数据挖掘从大数据之间找相互特性而言，机器学习更加注重算法的设计，让计算机能够白动地从数据中“学习”规律，并利用规律对未知数据进行预测。 机器学习可以分为以下五个大类： (1)监督学习：从给定的训练数据集中学习出-一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是输人和输出，也可以说是特征和目标。 一句话说明机器学习（MachineLearning） 简单的一句话：让机器从数据中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好，这就是机器学习。 学习：在数据的基础上让机器重复执行一套特定的步骤（学习算法）进行事物特征的萃取，得到一个更加逼近于现实的描述（这个描述是一个模型它的本身可能就是一个函数）。
1.3K21发布于 2021-09-02 - 来自专栏学习
机器学习——量子机器学习
量子机器学习: 未来的机器学习方法 量子计算和机器学习的结合为计算科学带来了前所未有的前景。量子机器学习(QML)正在迅速发展，目标是利用量子计算的优势来处理传统计算机无法高效解决的问题。 本文将深入探讨量子机器学习的基本概念、量子计算的关键技术、具体的量子算法，以及如何结合现有的机器学习方法，以推动对未来量子优势的探索。 1. 机器学习与量子计算的结合 2.1 量子机器学习的定义 量子机器学习是将量子计算的技术应用于机器学习模型中，以期获得更高效的计算能力和更强的学习性能。 量子计算与机器学习的结合，可以分为以下几种形式： 经典机器学习加速：使用量子算法加速经典机器学习中的计算任务。 量子特征提取：使用量子态的特征提取来提高模型性能。 对于有兴趣深入量子机器学习的读者，可以进一步学习 Qiskit、PennyLane 等工具，亲自实践量子机器学习的算法实现。
90810编辑于 2024-10-14 - 来自专栏数据科学与人工智能
【机器学习】何谓机器学习 机器学习能做些什么？
最近我和一对夫妇共进晚餐，他们问我从事什么职业，我回应道：“机器学习。”妻子回头问丈夫：“亲爱的，什么是机器学习？”她的丈夫答道：“T-800型终结者。” 不过，这位朋友对机器学习的理解还是有所偏差的。机器学习能让我们自数据集中受到启发，换句话说，我们会利用计算机来彰显数据背后的真实含义，这才是机器学习的真实含义。 T-800型终结者（图片来源网络） 现今，机器学习已应用于多个领域，远超出大多数人的想象，下面就是假想的一日，其中很多场景都会碰到机器学习：假设你想起今天是某位朋友的生日，打算通过邮局给她邮寄一张生日贺卡 图1.1集中展示了使用到的机器学习应用。 ? 图1-1 机器学习在日常生活中的应用，从左上角按照顺时针方向依次使用到的机器学习技术分别为：人脸识别、手写数字识别、垃圾邮件过滤和亚马逊公司的产品推荐 上面提到的所有场景，都有机器学习软件的存在。
1.2K60发布于 2018-02-27 - 来自专栏AI智慧空间
【机器学习基础】机器学习介绍
机器学习介绍 机器学习是一个跟“大数据”一样近几年格外火的词汇。而机器学习究竟是一个什么过程或者行为呢？接下来，让我们来看看什么是机器学习。 1.什么是机器学习 机器学习是人工智能的一个分支。 人工智能的研究是从以“推理”为重点到以“知识”为重点，再到以“学习”为重点，一条自然、清晰的脉络。机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。 机器学习算法是一类从数据中自动分析获得规律（模型），并利用规律对未知数据进行预测的算法 2.机器学习的分类 机器学习主要分为三大类：监督学习，无监督学习，强化学习。 分类（classification）：分类是机器学习中使用地最多的一大类算法，可以将实例数据划分到合适的类别中。 Alphago就是强化学习在现实应用的成功案例之一，通过“深度学习”的训练，Alphago击败了多位围棋世界冠军 3.机器学习常见算法 1.线性回归 (Linear Regression) 2.
1.5K41发布于 2020-07-06 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法总结
找工作时（IT行业），除了常见的软件开发以外，机器学习岗位也可以当作是一个选择，不少计算机方向的研究生都会接触这个，如果你的研究方向是机器学习/数据挖掘之类，且又对其非常感兴趣的话，可以考虑考虑该岗位， 毕竟在机器智能没达到人类水平之前，机器学习可以作为一种重要手段，而随着科技的不断发展，相信这方面的人才需求也会越来越大。 纵观IT行业的招聘岗位，机器学习之类的岗位还是挺少的，国内大点的公司里百度，阿里，腾讯，网易，搜狐，华为（华为的岗位基本都是随机分配，机器学习等岗位基本面向的是博士）等会有相关职位，另外一些国内的中小型企业和外企也会招一小部分 阿里的算法岗位很大一部分也是搞机器学习相关的。 下面是本人在找机器学习岗位工作时，总结的常见机器学习算法（主要是一些常规分类器）大概流程和主要思想，希望对大家找机器学习岗位时有点帮助。 近些年更因为被用于搜索排序的机器学习模型而引起大家关注。 GBDT是回归树，不是分类树。其核心就在于，每一棵树是从之前所有树的残差中来学习的。
1.4K50发布于 2018-02-27 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法之旅
在理解了我们需要解决的机器学习问题之后，我们可以思考一下我们需要收集什么数据以及我们可以用什么算法。本文我们会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。 机器学习领域有很多算法，然后每种算法又有很多延伸，所以对于一个特定问题，如何确定一个正确的算法是很困难的。本文中我想给你们两种方法来归纳在现实中会遇到的算法。 学习方式 根据如何处理经验、环境或者任何我们称之为输入的数据，算法分为不同种类。机器学习和人工智能课本通常先考虑算法可以适应的学习方式。 这里只讨论几个主要的学习风格或学习模型，并且有几个基本的例子。 问题例子是机器人控制，算法例子包括Q-learning以及Temporal difference learning。 当整合数据模拟商业决策时，大多数会用到监督学习和无监督学习的方法。 当下一个热门话题是半监督学习，比如图像分类问题，这中问题中有一个大的数据库，但是只有一小部分图片做了标记。增强学习多半还是用在机器人控制和其他控制系统的开发上。
96490发布于 2018-02-27 - 来自专栏智能大数据分析
【机器学习基础】初探机器学习
学习，即机器学习（machine learning），则是机器通过经验数据，对任务目标做出优化的自动化过程，例如人脸识别、语音识别等。 过去十年间，人工智能的主要进展在机器学习技术方面，以至于甚至分不清人工智能和机器学习之间的关系。在这里，重点讨论人工智能中服务预测任务的机器学习技术。 而支撑决策任务的机器学习技术被称为强化学习（reinforcement learning）。 二、机器学习是什么 那就究竟什么是学习呢？ 图1 传统的显式编程与机器学习的非显式编程 三、时代造就机器学习的盛行 那么机器学习技术为什么现在如此盛行呢？主要原因之一来自于时代造就！ 我们有理由相信，未来10年，机器学习技术会持续渗透到各行各业，在各类预测和决策任务场景中服务人类。 按照任务来分类，机器学习可以分为有监督学习、无监督学习和强化学习三大类。
31410编辑于 2025-01-23 - 来自专栏决胜机器学习
机器学习（一）——机器学习概述
机器学习（一）——机器学习概述 （原创内容，转载请注明来源，谢谢） 前言：近期开始学习机器学习，当前视频和书籍一起看，视频看的是吴恩达的机器学习系列课程，书籍看的《机器学习实战》。 目前是机器学习小白，希望各位有感兴趣的，可以一起开始学机器学习。大家可以多交流~~ 另外，由于工作上还是在做web服务端，因此还会经常更新对于web的学习体会~希望大家共同进步。 一、概述 机器学习是近期非常火的技术，其可以将输入的数据经过一定的处理，得到结果，具有预测、决策、统计、分类等功能，被广泛应用于各行各业。 机器学习主要分为两大类：监督学习（supervisor learning）和无监督学习（unsupervisor learning）。 四、机器学习开发步骤 机器学习应用开发，主要步骤如下： 1、收集数据 对于机器学习来说，没有数据就没有学习可言。数据可以是爬虫抓取、开源语料库、自己提供的数据源等。
1K100发布于 2018-03-07 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法预览
在这篇文章中，我要带大家预览一下机器学习中最热门的算法。预览主要的机器学习算法可在某种程度上给你这样的一种感觉，让你知道什么样的方法是可靠的。 一般来说，决策树运行速度快，而且结果精确，是机器学习里最大的宠儿。 下面是一些我不会在这篇文章列举出来的机器学习算法，它们用于解决特别的任务的过程，例如： 功能选择算法 算法精度评估 性能测试 我也不会列举那些用于子领域的机器学习算法，例如 这里介绍了一些通俗易懂的方法，让你能很快的学习上手。 怎样学习机器学习算法 算法是机器学习的一个大模块。这个话题我是很有兴趣的，而且之前也写了很多这方面的博客。 如何运行这些机器学习算法 有时，你需要的只是一些代码。下面这些链接可以让你明白如何运行机器学习算法，并使用常规的库来编写这些代码或者从研究者运用它们。
1.2K50发布于 2018-02-27 - 来自专栏机器学习初学者精选文章
【机器学习】机器学习项目流程
本文是中国大学慕课《机器学习》的“机器学习项目流程”章节的课后代码。 项目介绍： 这是一个受监督的回归机器学习任务：给定一组包含目标（在本例中为分数）的数据，我们希望训练一个可以学习将特征（也称为解释变量）映射到目标的模型。 然后，为了测试模型的学习效果，我们在一个从未见过答案的测试集上进行评估 我们在拿到一个机器学习问题之后，要做的第一件事就是制作出我们的机器学习项目清单。 下面给出了一个可供参考的机器学习项目清单，它应该适用于大多数机器学习项目，虽然确切的实现细节可能有所不同，但机器学习项目的一般结构保持相对稳定： 数据清理和格式化 探索性数据分析 特征工程和特征选择 基于性能指标比较几种机器学习模型 ，包含： 数据清理，探索性数据分析，特征工程和选择等常见问题的解决办法 随机搜索，网格搜索，交叉验证等方法寻找最优超参数 可视化决策树 对完整的机器学习项目流程建立一个宏观的了解 代码非常完整，可以在平时的机器学习项目中拿来用
90221编辑于 2021-12-13 - 来自专栏数据科学与人工智能
【机器学习】机器学习温和指南
摘要：机器学习与NLP专家、MonkeyLearn联合创始人&CEO Raúl Garreta面向初学者大体概括使用机器学习过程中的重要概念，应用程序和挑战，旨在让读者能够继续探寻机器学习知识。 事实上，机器学习是如今人工智能领域中进展最大的方面；现在它是个时髦的话题，并且使用机器学习也非常可能造就出更智能机器。 这篇文章将会向初学者简要介绍机器学习。 我将大体概括使用机器学习过程中的重要概念，应用程序和挑战。给出机器学习正式的详尽的说明不是本文的宗旨，而是向读者介绍一些初步概念，让读者能够继续探寻机器学习知识。 好了，我现在知道什么是机器学习了，但是它是如何工作的呢？ 大约10年前我读过的第一批关于机器学习书籍中有一本是Tom Mitchell写的《机器学习》。 计算和选择合理的特征来表示一个实例是使用机器学习的过程中最重要的任务之一，在本文稍后部分我们将讨论这点。 机器学习算法的种类 在本节中我们将讨论两大类机器学习算法：监督式学习和非监督式学习算法。
85850发布于 2018-02-26 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法之旅
在理解了我们需要解决的机器学习问题之后，我们可以思考一下我们需要收集什么数据以及我们可以用什么算法。本文我们会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。 机器学习领域有很多算法，然后每种算法又有很多延伸，所以对于一个特定问题，如何确定一个正确的算法是很困难的。本文中我想给你们两种方法来归纳在现实中会遇到的算法。 学习方式 根据如何处理经验、环境或者任何我们称之为输入的数据，算法分为不同种类。机器学习和人工智能课本通常先考虑算法可以适应的学习方式。 这里只讨论几个主要的学习风格或学习模型，并且有几个基本的例子。 问题例子是机器人控制，算法例子包括Q-learning以及Temporal difference learning。 当整合数据模拟商业决策时，大多数会用到监督学习和无监督学习的方法。 当下一个热门话题是半监督学习，比如图像分类问题，这中问题中有一个大的数据库，但是只有一小部分图片做了标记。增强学习多半还是用在机器人控制和其他控制系统的开发上。
930100发布于 2018-02-27 - 来自专栏CSDN旧文
机器学习--机器学习的分类
在无监督学习中给定的数据是和监督学习中给定的数据是不一样的。在无监督学习中给定的数据没有任何标签或者说只有同一种标签。 无监督学习与监督学习的区别 有监督学习方法必须要有训练集与测试样本。 半监督学习 半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。 迁移学习 随着越来越多的机器学习应用场景的出现，而现有表现比较好的监督学习需要大量的标注数据，标注数据是一项枯燥无味且花费巨大的任务，所以迁移学习受到越来越多的关注。 迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务，虽然大多数机器学习算法都是为了解决单个任务而设计的，但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。 迁移学习对人类来说很常见，例如，我们可能会发现学习识别苹果可能有助于识别梨，或者学习弹奏电子琴可能有助于学习钢琴。
92840发布于 2020-10-28 - 来自专栏一些有趣的Python案例
《机器学习》学习笔记（一）——机器学习概述
本专栏将以学习笔记形式对《机器学习》的重点基础知识进行总结整理，欢迎大家一起学习交流！ 专栏链接：《机器学习》学习笔记 机器学习是从人工智能中产生的一个重要学科分支，是实现智能化的关键 ? 机器学习过程 ? 机器学习、数据库、数据挖掘之间的关系 ? 机器学习应用 互联网搜索、自动汽车驾驶、画作鉴别、古文献修复…… 机器学习发展 机器学习源自“人工智能” 达特茅斯会议标志着人工智能这一学科的诞生 第一阶段：推理期（1956-1960s ，对自动数据分析技术——机器学习的需求日益迫切 今天的“机器学习”已经是一个 广袤的学科领域 收集、传输、存储大数据的目的，是为了“利用”大数据。 没有机器学习技术分析大数据，“利用”无从谈起。 机器学习基本术语 ?
95740发布于 2021-02-02 - 来自专栏数据科学与人工智能
【机器学习】机器学习的应用——关于正确应用机器学习
引言 前阵子看到一篇文章，学习了一段时间的机器学习算法后，再回头看机器学习问题，发现要想利用机器学习去很好的求解一个问题，其实并不是一件容易办到的事情，尤其是能够对整个模型的解释方面，要想能够对模型很好的解释 但是在机器学习中，问题就变得复杂多了，很多将机器学习的书也都是讲机器学习的算法，就像我之前的“简单易学的机器学习算法”一样，注重算法的实现，但是机器学习问题中不仅仅是机器学习算法，还有一些其他的知识需要我们去注意 一、机器学习问题的组成 李航老师在《统计机器学习》中指出：机器学习=模型+策略+算法。 4、总结 机器学习不仅仅是机器学习算法，从上面我们也看到机器学习算法只是属于机器学习的表示，机器学习是由三部分组成，包括表示(模型)、评价(策略)和优化(算法)。 ) 2、总结 机器学习的最终任务是利用学习好的模型来预测实际的数据，这便是机器学习的泛化能力。
73180发布于 2018-02-27 - 来自专栏数据科学与人工智能
【机器学习】机器学习分类算法总结
（1）决策树 决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。 （5）支持向量机 支持向量机（SVM，Support Vector Machine）是Vapnik根据统计学习理论提出的一种新的学习方法[43] ，它的最大特点是根据结构风险最小化准则，以最大化分类间隔构造最优分类超平面来提高学习机的泛化能力 （7）集成学习（Ensemble Learning） 实际应用的复杂性和数据的多样性往往使得单一的分类方法不够有效。因此，学者们对多种分类方法的融合即集成学习进行了广泛的研究。 集成学习已成为国际机器学习界的研究热点，并被称为当前机器学习四个主要研究方向之一。 集成学习是一种机器学习范式，它试图通过连续调用单个的学习算法，获得不同的基学习器，然后根据规则组合这些学习器来解决同一个问题，可以显著的提高学习系统的泛化能力。
1.3K50发布于 2018-02-26 - 来自专栏Brian
机器学习系列-机器学习是什么？
概述 机器学习现在已经运用在很多领域和行业，比如通过机器学习系统来提高自己系统的准确率和目标、进行商业数据的分析与预测等等。 机器学习是关于计算机基于数据构建的概率统计模型并运用模型对数据进行预测和分析。 机器学习关于数据的基本假设是同类数据具有一定的统计规律性，这是统计学习的前提。 机器学习方法 机器学习致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。 有的资料将模型称之为”学习算法“ 机器学习三要素： 1.model-模型 2.strategy-策略 3.algorithm-算法 实现机器学习的基本步骤如下： 得到一个有限的训练数据集 确定包含所有可能的模型的假设空间 3.有大量的数据 这些重要的essence决定是否使用机器学习。 参考书籍 1.《机器学习》—周志华 2.《统计学习方法》—李航 3.《机器学习基石》—林軒田
1K110发布于 2018-04-03 - 来自专栏Lansonli技术博客
机器学习（五）：机器学习算法分类
机器学习算法分类根据数据集组成不同，可以把机器学习算法分为：监督学习无监督学习半监督学习强化学习一、监督学习定义：输入数据是由输入特征值和目标值所组成。 二、无监督学习定义：输入数据是由输入特征值组成，没有目标值。输入数据没有被标记，也没有确定的结果。样本数据类别未知；需要根据样本间的相似性对样本集进行类别划分。 有监督，无监督算法对比：三、半监督学习定义：训练集同时包含有标记样本数据和未标记样本数据。 监督学习训练方式：半监督学习训练方式：四、强化学习定义：实质是make decisions 问题，即自动进行决策，并且可以做连续决策。 监督学习和强化学习的对比监督学习强化学习反馈映射输出的是之间的关系，可以告诉算法什么样的输入对应着什么样的输出。输出的是给机器的反馈 reward function，即用来判断这个行为是好是坏。
1.3K41编辑于 2023-02-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号