毫无疑问,过去两年中,机器学习和人工智能的普及度获得了大幅度提高。如果你想要自学机器算法,要从何下手呢?以我为事例,我是在哥本哈根求学期间,自学AI课程入门的。我们用的教科书是一本AI经典:《PeterNorvig’sArtificialIntelligence?—?AModernApproach》。

最近我在之后自学这些,还包括在旧金山听得了几个关于深度自学的技术演说,参与机器学习大会上。六月份,我登记了Udacity的IntrotoMachineLearning的在线课程,近期早已已完成了。

这篇文章,我想要共享一些我所学到的、最少见的机器学习算法。我从这个课程中学到了很多,并要求之后自学这一专业内容。不久前,我在旧金山听得了几个关于深度自学、神经网络、数据架构方面的技术演说,还包括在一个机器学习大会上和很多领域著名专家一起。

最重要的是,我六月份登记了Udacity的机器学习入门的在线课程,近期早已已完成了。这篇文章,我想要共享一些我所学到的、最少见的机器学习算法。机器学习算法可以分成三个大类——有监督自学、无监督自学和增强自学。

有监督自学,对训练有标签的数据简单,但是对于其他没标签的数据,则必须预估。无监督自学,用作对无标签的数据集(数据没预处理)的处置,必须考古其内在关系的时候。增强自学,介于两者之间,虽然没精准的标签或者错误信息,但是对于每个可预测的步骤或者不道德,不会有某种形式的对系统。

由于我上的是入门课程,我并没自学增强自学,但是下面10个有监督和无监督自学算法早已不足以让你对机器学习产生兴趣。监督自学1.决策树(DecisionTrees)决策树是一个决策反对工具,它用树形的图或者模型表示决策及其有可能的后果,还包括随机事件的影响、资源消耗、以及用途。请求看右图,随便感受一下决策树宽这样的:从商业看作,决策树就是用最多的Yes/No问题,尽量地作出一个准确的决策。它让我们通过一种结构化、系统化的方式解决问题,获得一个有逻辑的结论。

2.朴素贝叶斯分类(NaiveBayesClassification)朴素贝叶斯分类器是一类非常简单概率分类器,它基于把贝叶斯定理运用在特征之间关系的强劲独立性假设上。右图是贝叶斯公式——P(A|B)回应后验概率,P(B|A)回应似然度,P(A)回应类别的先验概率(classpriorprobability),P(B)回应作出预测的先验概率(predictorpriorprobability)。现实生活中的应用于例子:一封电子邮件是否是垃圾邮件一篇文章应当分到科技、政治,还是体育类一段文字传达的是大力的情绪还是消极的情绪?人脸识别3.普通大于二乘重返(OrdinaryLeastSquaresRegression)如果你习过统计学,你有可能听过线性重返。

最少大于二乘是一种展开线性重返的方法。你可以指出线性重返就是让一条直线用最合适的姿势穿越一组点。有很多方法可以这样做到,普通大于二乘法就像这样——你可以画一条线,测量每个点到这条线的距离,然后特一起。最差的线应当是所有距离特一起大于的那根。

线性法回应你去建模线性模型,而大于二乘法可以最小化该线性模型的误差。

本文来源：pg电子游戏官网试玩-www.zcwujinsan.com