响应式网站哪里做,WordPress影视cms,儿童网页设计素材,一键优化下载安装一、机器学习的关键因素
1.1 数据 每个数据集由一 个个样本组成#xff0c;大多情况下#xff0c;数据遵循独立同分布。通常每个样本由一组特征属性组成。 好的数据集 { 数据样本多 正确的数据 ( g a r b a g e i n , g a r b a g e o u t ) 好的数据集 \begin{cases} 数据…一、机器学习的关键因素
1.1 数据 每个数据集由一 个个样本组成大多情况下数据遵循独立同分布。通常每个样本由一组特征属性组成。 好的数据集 { 数据样本多 正确的数据 ( g a r b a g e i n , g a r b a g e o u t ) 好的数据集 \begin{cases} 数据样本多\\\ 正确的数据(garbage \quad in,\quad garbage \quad out) \end{cases} 好的数据集{数据样本多 正确的数据(garbagein,garbageout)
1.2 模型 与经典机器学习算法模型相比深度学习的模型由神经网络错综复杂地交织在一起包含层层数据转换模型功能更加强大。
1.3 目标函数 在机器学习中需要定义对模型的优劣程度的度量并且这个度量在大多数情况下是“可优化的”这被称为目标函数。 优化的两种思路 { 1 、损失函数越小越好例如平方误差函数 最常用的方法 2 、设计一种新的函数优化到其最大值 优化的两种思路 \begin{cases} 1、损失函数越小越好例如平方误差函数\textcolor{red}{最常用的方法}\\ 2、设计一种新的函数优化到其最大值 \end{cases} 优化的两种思路{1、损失函数越小越好例如平方误差函数最常用的方法2、设计一种新的函数优化到其最大值
1.4 优化算法 当我们获得了一些数据源及其表示、一个模型和一个合适的损失函数接下来就需要一种算法它能够搜索出最佳参数以最小化损失函数。在深度学习中大多数流行的优化算法通常基于一种基本方法梯度下降 。梯度下降方法在每个步骤中都会检查每个参数观察如果仅对该参数进行少量改动训练集上的损失会朝哪个方向移动。然后它在可以减少损失的方向上优化参数。
二、各种机器学习的问题
2.1 监督学习 监督学习是在“给定输入特征”的情况下预测标签每个“特征-标签”对都称为一个样本即使标签是未知的样本也可以指代输入特征。监督学习的目标是生成一个模型该模型能够将任何输入特征映射到标签。 监督学习的学习过程 1、从已知大量数据样本中随机选取一个子集为每个样本获取真实标签 2、选择有监督的学习算法它将训练数据集作为输入并输出一个“已完成学习的模型” 3、将之前没有见过的样本特征放到这个“已完成学习的模型”中使用模型的输出作为相应标签的预测。 监督学习的应用 { 1 、回归问题预测一个数值 2 、分类问题预测是哪一类 3 、标注问题多标签分类 4 、搜索问题对搜索查询的结果进行筛选排序 5 、推荐系统捕捉一个用户的偏好 6 、序列学习如果是连续的输入模型需要有记忆功能 监督学习的应用 \begin{cases} 1、回归问题预测一个数值\\ 2、分类问题预测是哪一类\\ 3、标注问题多标签分类\\ 4、搜索问题对搜索查询的结果进行筛选排序\\ 5、推荐系统捕捉一个用户的偏好\\ 6、序列学习如果是连续的输入模型需要有记忆功能 \end{cases} 监督学习的应用⎩ ⎨ ⎧1、回归问题预测一个数值2、分类问题预测是哪一类3、标注问题多标签分类4、搜索问题对搜索查询的结果进行筛选排序5、推荐系统捕捉一个用户的偏好6、序列学习如果是连续的输入模型需要有记忆功能
2.2 无监督学习 数据样本中不含有“目标”的机器学习问题通常被称为无监督学习。 无监督学习 { 1 、聚类问题 2 、主成分分析 3 、因果关系和概率图模型 4 、生成对抗网络 无监督学习 \begin{cases} 1、聚类问题\\ 2、主成分分析\\ 3、因果关系 和概率图模型\\ 4、生成对抗网络 \end{cases} 无监督学习⎩ ⎨ ⎧1、聚类问题2、主成分分析3、因果关系和概率图模型4、生成对抗网络
2.3 强化学习 在强化学习问题中智能体(agent)与环境进行交互。在每个特定时间点智能体从环境接受一些观测(observation)并且必须选择一个动作(action)然后通过某种机制将其输出回环境最后智能体从环境获得奖励(reward)然后开始新一轮循环智能体继续从环境中监测选择后续动作并获得奖励以此类推。 强化学习的目标是产生一个好的策略(policy)强化学习智能体选择的“动作”受策略控制即一个从环境观测映射到动作选择的功能。 强化学习框架的通用性极强一般来说可以将任何监督学习问题转化为强化学习问题。一个分类问题可以创建一个强化学习智能体每个分类对应一个动作创建一个环境后该环境给与智能体奖励。这个奖励与原始监督学习问题的损失函数是一致的。 一些特殊情况下的强化学习问题 1、当环境可被完全观测到时该问题被称为马尔科夫决策过程 2、当状态不依赖之前的动作时该问题被称为上下文老虎机 3、当没有状态只有一组最初未知奖励的可用动作时该问题被称为多臂老虎机。
