Posted in Machine Learning, 技术

带着问题学 Machine Learning:什么是机器学习

机器学习是个难以接受的东西。如果有案例就好了,那就 lets go~

Q:什么是机器学习?

机器学习就是让计算机有像人一样的学习能力的技术,是从数据中寻找有用的知识的数据挖掘技术。
比如呢?运用机器学习技术,类似今日头条给我推我喜欢看的,并看不完的短视频,(害得我卸载了…)。比如说,淘宝知道你喜欢的衣服款式,老是在猜你喜欢那里出现你喜欢的。

Q:那机器学习的数据种类不同吧?

是的,很不一样。根据所学习的数据种类,可以分为监督学习、无监督学习和强化学习等。

Q:什么是监督学习?

监督学习,就是计算机在有结果标记的数据学习后,能预测数据结果的学习过程。
比如,预测数值型数据的回归,预测标称型数据的分类等。太抽象了...
对应的比如,图像处理,垃圾邮件的分类和拦截等

Q:什么是无监督学习?

无监督学习,就是计算机在没有结果标志的数据学习后,能获取有用数据的学习过程。
自然还有个半监督学习,介于两者之间。
比如,预测肿瘤的良性恶性、视频分析等

Q:什么是强化学习?

强化学习,跟无监督学习类似,没有结果标志的数据学习后,又跟监督学习一样,能预测数据结果。
这个'四不像',被认为人类的主要学习模式之一。
自然也很复杂,涉及到的算法很多。下面聊聊常见的算法。

Q:监督学习和无监督学习中有哪些典型的问题?

在机器学习中有很多典型的问题,比如回归、分类、异常检测、聚类和降维等。自然每个问题,延伸出就是算法,所以也有对应的算法。

Q:什么是回归问题?

回归,都对线性回归有印象吧。回归是数学模型,用于统计的一种方法。是对一组因变量 Yn 和另一组自变量 Xn 之间关系的统计分析。
比如记得以前用 SPSS 的时候,回归统计人的体表面积与身高、体重有关系。从案例看出,回归多半用在监督学习。

Q:什么是分类问题?

分类包括有监督分类和无监督分类。
有监督分类,就是大家一直知道的。术语表达,是指对于指定的模式进行识别的有监督识别问题。这类分类问题,也可以想回归问题那样,被看作是函数近似问题。对,在经过已知样本数据的训练,只能对未知样本估计分类,无法对分类近似分类。
无监督分类,没有任何先验条件,仅仅根据数据,(盲目)的分类。其分类结果肯定是不同纬度的分类,但不能确定分类的类别属性。

Q:什么是异常检测问题?

异常检测,简单说,就是从一堆数据中区分异常值和正常值。术语表达,对数据集中其他项目的项目、事件等识别。比如文本错误问题。

Q:什么是聚类问题?

聚类,和分类问题相似。但属于一种无监督学习。是把相似的样本分成不同的组别或者更多子集。关键词:相似,所以相同组别(子集)的样本具有相似的性质,不同组别(子集)的样本之间具有不同的性质。在聚类问题中,如何计算样本之间的相似度是很重要的。

Q:什么是降维问题?

降维,其目的很直接,提取关键信息。术语表达,是降低样本的个数,得到一组变量的过程。自然,根据样本种类的不同,(我们上面介绍 监督学习 和 无监督学习 ,可以复习下)降维的问题也要分为 监督降维 和 无监督降维。降维有两种方法:特征选择和特征提取。
特征选择,是假定样本数据中包含大量冗余和无关数据,从而找出主要数据的方法。
特征提取,是从高维数据中提取关键信息,转为低维数据进而求解的方法。过程中伴随着除去数据,创建新数据。
广泛用在图像识别领域。

 



发表评论

电子邮件地址不会被公开。 必填项已用*标注