机器学习三大要素、学习过程和学习类型
2024-10-15 17:35:03 0 举报三大要素：数据、学习算法、模型 机器学习必备条件：有规律可以学习、编程很难做到、有足够多能学到其中规律的数据 解决如下五个问题：回归、分类、聚类、归因、异常检测 学习过程：准备数据、建立模型、模型应用 学习类型：有监督学习、无监督学习、半监督学习、强化学习
作者其他创作
大纲/内容
学习
聚类
机器学习三要素
强化学习
机器需要识别其特征显著不同于其他数据的异常值，并标记为不正常的数据。异常检测任务的一个典型应用场景是信用卡欺诈检测。
建立模型
上线投产
有足够多能够学习到其中规律的数据
分类
有监督学习
半监督学习
有监督学习的目标是让计算机去学习我们已经创建好的分类系统。
数据预处理
数据没有标签
写字
机器学习的三个阶段
强化学习（Reinforcement Learning）会在没有任何标签的情况下，先尝试做出一些动作得到一个结果，通过这个结果的反馈，调整之前的行为。通过不断的调整，算法强化自身的决策能力，最终能够根据不同的情况，获得不同的决策结果。
机器学习的类型
机器则通过某种学习算法（Learning Algorithm）去学习这些输入数据。对于计算机来说从这些数据中发现规律就是它的技能。通常，我们把机器学习的结果叫作模型（Model）。
机器学习的另一个用处是帮助我们找到影响某个问题的重要因素
半监督学习（Semi-supervised Learning）就是为解决上述问题而产生的，其目的在于利用海量未带标签数据，辅之以少量带标签数据进行学习训练，增强计算机的学习能力
评估模型
机器学习
使用机器学习的三个必备条件
数据
搜索数据
机器学习可解决的问题
无监督学习
训练模型
优化模型
什么问题适合用机器学习方法解决
分类任务则是对离散值进行分类并判断预测值的所属类别所谓的学习，本质就是找到这一堆特征值和标签之间的关系
准备数据
机器学习的过程
模型
人类学习与机器学习的对比
书籍
归因
部分数据有标签
回归
在机器学习中生成一个模型的过程包括准备数据、建立模型以及模型应用三个阶段。准备数据有收集数据、探索数据及数据预处理三个步骤。对数据进行处理后，在建立模型阶段开始训练模型、评估模型，然后通过反复迭代优化模型，最终在应用阶段上线投产使用模型，在新数据上完成任务。
收集数据
无监督学习的目标不是告诉计算机怎么做，而是让计算机自己去学习怎么做，自己去探索数据并找到数据的规律 。
有规律可以学习
聚类的目的是使得属于同一个簇的样本相似，而属于不同簇的样本应该足够不相似进行聚类前并不知道将要划分成几个组以及是什么样的组，训练数据不需要带有标签，完全依靠算法聚集成簇
数据有标签
编程很难做到
学习算法
通常我们把通过连续值构建模型的任务称为回归任务回归任务是通过连续值构建函数从而找到下一个预测值
模型应用
0 条评论
下一页
