機(jī)器學(xué)習(xí)是一個(gè)非?；鸨男g(shù)語。本文以最通俗易懂的方式闡述了機(jī)器學(xué)習(xí)的基本原理及其應(yīng)用。

什么是機(jī)器學(xué)習(xí)？

機(jī)器學(xué)習(xí)，顧名思義，一臺機(jī)器，正在學(xué)習(xí)一些東西。這是一個(gè)學(xué)習(xí)過程，從觀察輸入到特定機(jī)器的數(shù)據(jù)開始，機(jī)器在該數(shù)據(jù)中尋找特定模式，以便使用它做出決策。

它的核心目標(biāo)是讓機(jī)器/計(jì)算機(jī)僅通過使用某些算法來本能地學(xué)習(xí)，而無需任何人工干預(yù)或幫助，并相應(yīng)地調(diào)整其方法以適應(yīng)模型。

簡而言之，機(jī)器學(xué)習(xí)是對計(jì)算機(jī)算法的研究，它可以通過使用數(shù)據(jù)自動改進(jìn)。

機(jī)器學(xué)習(xí)的先決條件

★?訓(xùn)練數(shù)據(jù)集
它是用于擬合用于訓(xùn)練數(shù)據(jù)集的模型的數(shù)據(jù)集。它幫助機(jī)器學(xué)習(xí)數(shù)據(jù)以及如何進(jìn)一步使用它。

★?驗(yàn)證數(shù)據(jù)集
它是用于對模型在訓(xùn)練數(shù)據(jù)集上的擬合度進(jìn)行無偏評估的數(shù)據(jù)樣本，同時(shí)調(diào)整模型超參數(shù)（其值用于控制學(xué)習(xí)過程的參數(shù)），它也被稱為開發(fā)集。

★?測試數(shù)據(jù)集
它是獨(dú)立于訓(xùn)練集的數(shù)據(jù)集，用于對訓(xùn)練數(shù)據(jù)集上的最終模型擬合提供無泄漏數(shù)據(jù)評估。

★?標(biāo)簽數(shù)據(jù)
標(biāo)簽數(shù)據(jù)是一組用一個(gè)或多個(gè)標(biāo)簽標(biāo)記過的數(shù)據(jù)樣本。

機(jī)器學(xué)習(xí)的方法

機(jī)器學(xué)習(xí)方法大致分為四類，如下所示：

☆?監(jiān)督學(xué)習(xí)
它是最常見和最容易使用的算法之一；機(jī)器使用標(biāo)記良好的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練。

☆?無監(jiān)督學(xué)習(xí)
這是一種機(jī)器學(xué)習(xí)算法，其中模型使用未標(biāo)記的數(shù)據(jù)集進(jìn)行訓(xùn)練，并允許在沒有任何外部監(jiān)督的情況下對數(shù)據(jù)采取行動。

☆?半監(jiān)督學(xué)習(xí)
它是一種機(jī)器學(xué)習(xí)算法，它由一小部分標(biāo)記數(shù)據(jù)和大部分未標(biāo)記數(shù)據(jù)組成，模型可以從中進(jìn)行所需的預(yù)測。

☆?強(qiáng)化學(xué)習(xí)
它是一種獨(dú)特的機(jī)器學(xué)習(xí)算法，它獎(jiǎng)勵(lì)期望的輸出并懲罰錯(cuò)誤，以訓(xùn)練機(jī)器。

實(shí)現(xiàn)機(jī)器學(xué)習(xí)模型的步驟

①?確定訓(xùn)練數(shù)據(jù)集的類型
檢查它是數(shù)值數(shù)據(jù)、分類數(shù)據(jù)、時(shí)間序列數(shù)據(jù)還是基于文本的數(shù)據(jù)。還要檢查存在多少因變量和自變量。

②?收集標(biāo)記的訓(xùn)練數(shù)據(jù)
確定目標(biāo)是什么以及特征是什么，以獲得識別模式并預(yù)測目標(biāo)數(shù)據(jù)。

③?拆分?jǐn)?shù)據(jù)集
根據(jù)需求將實(shí)體數(shù)據(jù)集拆分為兩個(gè)或三個(gè)部分——訓(xùn)練集、驗(yàn)證集和測試集。

④?確定訓(xùn)練數(shù)據(jù)集的輸入特征
理解給定數(shù)據(jù)集的特征。

⑤?確定訓(xùn)練數(shù)據(jù)集的合適算法
在了解需求后，我們需要為我們的數(shù)據(jù)集決定最合適的數(shù)據(jù)集——回歸/分類、聚類/關(guān)聯(lián)、決策樹等。

⑥?在訓(xùn)練數(shù)據(jù)集上執(zhí)行算法
在數(shù)據(jù)上應(yīng)用選定的算法來訓(xùn)練數(shù)據(jù)集。

⑦?評估模型的準(zhǔn)確性
通過提供測試數(shù)據(jù)，可以了解和評估模型的準(zhǔn)確性。

監(jiān)督學(xué)習(xí)

定義：根據(jù)已有的數(shù)據(jù)集，知道輸入和輸出結(jié)果之間的關(guān)系。根據(jù)這種已知的關(guān)系，訓(xùn)練得到一個(gè)最優(yōu)的模型。

也就是說，在監(jiān)督學(xué)習(xí)中訓(xùn)練數(shù)據(jù)既有特征(feature)又有標(biāo)簽(label)，通過訓(xùn)練，讓機(jī)器可以自己找到特征和標(biāo)簽之間的聯(lián)系，在面對只有特征沒有標(biāo)簽的數(shù)據(jù)時(shí)，可以判斷出標(biāo)簽。

監(jiān)督學(xué)習(xí)是一種機(jī)器學(xué)習(xí)技術(shù)，其中機(jī)器使用標(biāo)記良好的數(shù)據(jù)進(jìn)行訓(xùn)練。它的主要目標(biāo)是找到一個(gè)映射函數(shù)來映射輸入變量和輸出變量。

監(jiān)督學(xué)習(xí)可以分為兩種 ——?單因素監(jiān)督學(xué)習(xí)和多元監(jiān)督學(xué)習(xí)。

◎?單變量監(jiān)督學(xué)習(xí)?由?一個(gè)因變量?和?一個(gè)自變量?組成。
◎?多元監(jiān)督學(xué)習(xí)?由?一個(gè)因變量?和?一個(gè)以上的自變量?組成。

監(jiān)督學(xué)習(xí)算法的類型

☆?回歸分析
回歸分析是一種統(tǒng)計(jì)方法，如果用于輸入變量和連續(xù)輸出變量之間存在關(guān)系，則使用該方法?；貧w分析類型的算法有——線性回歸、回歸樹、非線性回歸、貝葉斯線性回歸、多項(xiàng)式回歸。

☆?分類分析
當(dāng)輸出變量是分類的時(shí)候使用分類方法；即只有限個(gè)解決方案。分類分析類型的算法有——邏輯回歸、支持向量機(jī)、K-最近鄰、SVM、樸素貝葉斯、決策樹分類、隨機(jī)森林分類。

監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn)

◎ 監(jiān)督學(xué)習(xí)模型可以在使用訓(xùn)練集訓(xùn)練模型的基礎(chǔ)上預(yù)測輸出。
◎ 我們對正在使用的類別有一個(gè)明確的概念，因?yàn)樗鼈儽粯?biāo)記了。
◎ 它可以幫助我們解決現(xiàn)實(shí)世界中的問題。

監(jiān)督學(xué)習(xí)的缺點(diǎn)

◎ 它不適用于復(fù)雜的數(shù)據(jù)集。
◎ 如果測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)不同，則無法預(yù)測正確的輸出。
◎ 訓(xùn)練模型需要大量計(jì)算。

監(jiān)督學(xué)習(xí)在現(xiàn)實(shí)生活中的應(yīng)用

監(jiān)督學(xué)習(xí)在現(xiàn)實(shí)生活中的應(yīng)用非常多，如· 文本分類、垃圾郵件檢測、天氣預(yù)報(bào)、根據(jù)當(dāng)前市場價(jià)格預(yù)測房價(jià)、股票價(jià)格預(yù)測、人臉識別、簽名識別、客戶發(fā)現(xiàn)等待。

◎?圖像識別：圖像識別是監(jiān)督機(jī)器學(xué)習(xí)最重要的例子之一。它檢測圖像之間的模式并做出適當(dāng)?shù)念A(yù)測。這主要用于安全和醫(yī)療目的。

◎?語音識別：語音識別是可以將口語轉(zhuǎn)換為可讀文本的方法。最著名的語音助手，例如Siri、Alexa、天貓精靈、小愛同學(xué)等等，都使用此應(yīng)用程序。

無監(jiān)督學(xué)習(xí)

無監(jiān)督機(jī)器學(xué)習(xí)(Unsupervised Machine Learning)是一種機(jī)器學(xué)習(xí)技術(shù)，它使用未標(biāo)記的數(shù)據(jù)集訓(xùn)練模型，并允許模型在該數(shù)據(jù)集上工作和行動，而不需要任何外部的人工干預(yù)或監(jiān)督。

無監(jiān)督學(xué)習(xí)對于從數(shù)據(jù)中找到有用的見解非常有幫助。這是非常熟悉的方式，人類學(xué)習(xí)通過自己的經(jīng)驗(yàn)來思考。即使輸入數(shù)據(jù)與輸出數(shù)據(jù)不一致，此方法也可以工作。

無監(jiān)督學(xué)習(xí)算法的類型

☆?聚類
聚類是將對象分組為簇的方法，其中最相似的對象保留在特定組中，而差異較大的則屬于另一組。

☆?關(guān)聯(lián)
關(guān)聯(lián)是在大型數(shù)據(jù)庫中查找變量之間關(guān)系的方法。我們開始了解一個(gè)變量如何直接或間接地與另一個(gè)變量相關(guān)聯(lián)。

不同類型的算法有?K-means、K近鄰、層次聚類分析、Anamoly 分析、神經(jīng)網(wǎng)絡(luò)、主成分分析、獨(dú)立成分分析?等。

無監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn)

◎ 無監(jiān)督學(xué)習(xí)可用于解決復(fù)雜的任務(wù)。
◎ 有更大的自由來探索現(xiàn)有的數(shù)據(jù)。

無監(jiān)督學(xué)習(xí)的缺點(diǎn)

◎ 很難處理。
◎ 預(yù)測的準(zhǔn)確性可能更低。

無監(jiān)督學(xué)習(xí)的現(xiàn)實(shí)生活應(yīng)用

惡意軟件檢測、數(shù)據(jù)輸入過程中人為錯(cuò)誤識別、進(jìn)行準(zhǔn)確的購物籃分析、欺詐檢測等等

◎?客戶細(xì)分：根據(jù)客戶各種特征的將他們分成多個(gè)群。

◎?庫存管理：庫存管理是商店使用的應(yīng)用程序，可以通過關(guān)聯(lián)找到某些產(chǎn)品之間的聯(lián)系。

半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法，其中使用一小部分標(biāo)記數(shù)據(jù)和大部分未標(biāo)記數(shù)據(jù)來訓(xùn)練模型。

半監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn)

◎ 用于半監(jiān)督學(xué)習(xí)的算法本質(zhì)上是穩(wěn)定的。
◎ 它本質(zhì)上是高效的。

半監(jiān)督學(xué)習(xí)的缺點(diǎn)

◎ 準(zhǔn)確率可能不高。
◎ 迭代結(jié)果不是很穩(wěn)定。

半監(jiān)督學(xué)習(xí)在現(xiàn)實(shí)生活中的應(yīng)用

據(jù)報(bào)道，在工業(yè)界，支付寶的風(fēng)控與微信中掃一掃的識物，已利用半監(jiān)督學(xué)習(xí)節(jié)省人力，并提升識別效果。

◎?語音分析：音頻文件的標(biāo)記是一項(xiàng)非常密集的任務(wù)，其中可能只標(biāo)記部分特征，并且需要大量人工干預(yù)。

◎?網(wǎng)頁內(nèi)容分類：在線內(nèi)容需要根據(jù)我們的搜索和關(guān)鍵字進(jìn)行分類。

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法，它是按順序做出決策。輸出取決于當(dāng)前輸入的狀態(tài)，下一個(gè)輸入取決于輸入預(yù)覽的輸出。做出的決定是完全依賴的，因此標(biāo)簽被賦予了依賴決定的序列。

強(qiáng)化學(xué)習(xí)被稱為機(jī)器學(xué)習(xí)中的半監(jiān)督學(xué)習(xí)模型，是一種允許代理采取行動并與環(huán)境交互以最大化總獎(jiǎng)勵(lì)的技術(shù)

強(qiáng)化學(xué)習(xí)的類型

☆?正強(qiáng)化
正強(qiáng)化是指由于特定行為而發(fā)生的事件會增加該特定行為發(fā)生的頻率。它還可以最大限度地提高性能，并在很長一段時(shí)間內(nèi)保持變化。

☆?負(fù)強(qiáng)化
負(fù)強(qiáng)化被定義為在避免負(fù)條件時(shí)模型行為的強(qiáng)化。它增加了行為，它還提供了對最低標(biāo)準(zhǔn)性能的顛覆。

強(qiáng)化學(xué)習(xí)的優(yōu)點(diǎn)

◎ 它可以用來解決非常復(fù)雜的問題。
◎ 它取得了長期的成果。

強(qiáng)化學(xué)習(xí)的缺點(diǎn)

◎ 過度的強(qiáng)化學(xué)習(xí)會導(dǎo)致過載，從而減少結(jié)果。
◎ 它不是解決簡單問題的首選。

強(qiáng)化學(xué)習(xí)在現(xiàn)實(shí)生活中的應(yīng)用

強(qiáng)化學(xué)習(xí)應(yīng)用于無人駕駛、金融貿(mào)易、醫(yī)療保健、工程、新聞推薦、廣告營銷、機(jī)器人控制等等領(lǐng)域。

◎?股票預(yù)測：股票預(yù)測需要強(qiáng)化學(xué)習(xí)來了解市場及其未來走勢。

◎?金融貿(mào)易：強(qiáng)化學(xué)習(xí)通過市場基準(zhǔn)標(biāo)準(zhǔn)對RL模型進(jìn)行評估，確保RL智能體正確做出持有、購買或是出售的決定，以保證最佳收益。

◎?自動駕駛：有些自動駕駛的任務(wù)可以與強(qiáng)化學(xué)習(xí)相結(jié)合，比如軌跡優(yōu)化，運(yùn)動規(guī)劃，動態(tài)路徑，最優(yōu)控制，以及高速路中的情景學(xué)習(xí)策略。

◎?游戲：我們玩的單人游戲需要我們的設(shè)備進(jìn)行下一步，而移動將基于我們之前的移動。國際象棋、Ludo、UNO 等需要強(qiáng)化學(xué)習(xí)。

寫在最后

至此我們了解機(jī)器學(xué)習(xí)算法和模型的基礎(chǔ)知識，以及它們可以在現(xiàn)實(shí)世界中的哪些地方使用。

如果你有更好的想法，歡迎一起交流學(xué)習(xí)呀～

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載黃海廣老師《機(jī)器學(xué)習(xí)課程》視頻課黃海廣老師《機(jī)器學(xué)習(xí)課程》711頁完整版課件

本站qq群554839127，加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【机器学习】如何通俗易懂地阐述机器学习？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。