機器學習概論

機器學習概論

機器學習，簡稱ML，是計算機科學的一個分支，研究能夠通過經驗和數據使用自動改進的計算機算法。它與人工智能密切相關。機器學習中的算法基於樣本數據(稱為訓練數據)構建模型。它不需要明確地編程來進行預測或決策。機器學習算法的應用範圍很廣。以傳統的方式構建算法來滿足需求是困難或不可行的，例如在醫學、電子郵件過濾、語音識別和計算機視覺方麵。

計算統計學是機器學習的一個密切相關的子集，專注於使用計算機數據進行預測。然而，並非所有機器學習子集都是計算統計。機器學習通過研究方法、理論和應用領域的數學優化來服務。數據挖掘通過無監督學習來解釋探索性數據分析。一些機器學習實現設計數據和神經網絡來模擬生物大腦的工作。在跨業務問題的應用中，它也被稱為預測分析。

機器學習程序可以執行任務，而不需要顯式編程。它從輸入給係統的數據中學習來執行任務。係統編寫算法，命令機器如何執行所有必要的步驟來解決問題;計算機本身不需要學習任何東西。對於個人來說，手動創建高級任務所需的算法是非常具有挑戰性的。它是非常有效的，並有助於幫助機器開發基於需求的算法。

機器學習學科涉及不同的方法來幫助計算機完成無法令人信服的算法的任務。在有許多潛在解決方案可用的情況下，使用一種方法將少數正確的解決方案標記為有效的。這些數據可以用於係統的訓練目的，以改進算法來確定擬合解。例如，當訓練係統識別數字字符時，通常使用手寫數字的MNIST數據集。

機器學習最近的應用包括兩個目標:基於部署的模型對數據進行分類，以及基於訓練過的模型對未來的實驗或結果進行預測。一種專門用於分類數據的假設算法使用計算機視覺模型結合監督學習對癌變痣進行分類。另一方麵，對於證券交易所來說，機器學習算法為交易員提供數據，以進行未來的潛在預測。

優化

優化與機器學習密切相關;許多學習問題都是為了最小化訓練示例集上的一些損失函數而製定的。這些損失函數定義了訓練模型的預測與實際問題實例之間的差異，例如，在分類中，程序員可能想要給實例分配一個標簽，並且訓練模型準確地預測先前給定的一組示例的標簽。

泛化

優化和機器學習之間的區別在於泛化的目標;雖然優化算法可能會最大限度地減少訓練數據集的損失，但機器學習更專注於減少未見數據樣本的損失。描述不同學習算法的泛化特征是當前研究的一個活躍課題，尤其是在深度學習算法中。

統計數據

計算機科學的機器學習領域在方法方麵與統計學密切相關，但它們有獨特的主要目標;統計學從樣本中推斷總體觀察結果，而機器學習使用泛化預測模式。機器學習的思想在統計學中有著悠久的曆史，從方法論原則到理論工具。統計建模有兩種範式:數據模型和算法模型。算法模型與隨機森林等機器學習算法密切相關。一些統計學采用了機器學習技術的方法，形成了一個叫做統計學習的綜合領域。

Great Learning為您提供的機器學習導論課程將通過引導您完成一係列主題，如監督學習，無監督學習，分類和回歸beplay2018官网，各種相關主題，如統計，機器學習係統所涉及的步驟，案例研究，應用程序等，幫助您更好地理解這一主題。本課程旨在迎合機器學習愛好者，幫助你從零開始學習機器學習。你可以報名參加人工智能和機器學習課程為了更好地理解學科。