毕业论文
您现在的位置: 语言识别 >> 语言识别资源 >> 正文 >> 正文

了解机器学习基础

来源:语言识别 时间:2023/10/7
国内白癜风知名专家 https://wapjbk.39.net/yiyuanfengcai/ys_bjzkbdfyy/

本章涵盖了以下主题:

·分类和回归之外的其他类型的问题;

·评估问题,理解过拟合、欠拟合,以及解决这些问题的技巧;

·为深度学习准备数据。

请记住,在本章中讨论的大多数技术都是机器学习和深度学习通用的,一部分用于解决过拟合问题的技术(如dropout)除外。

4.1 三类机器学习问题

在之前的所有例子中,尝试解决的是分类(预测猫或狗)或回归(预测用户在平台上花费的平均时间)问题。所有这些都是有监督学习的例子,目的是找到训练样例和目标之间的映射关系,并用来预测未知数据。

有监督学习只是机器学习的一部分,机器学习也有其他不同的部分。以下是3种不同类型的机器学习:

·有监督学习;

·无监督学习;

·强化学习。

下面详细讲解各种算法。

4.1.1 有监督学习

在深度学习和机器学习领域中,大多数成功用例都属于有监督学习。本书中所涵盖的大多数例子也都是有监督学习的一部分。来看看有监督学习的一些常见的例子。

·分类问题:狗和猫的分类。

·回归问题:预测股票价格、板球比赛成绩等。

·图像分割:进行像素级分类。对于自动汽车驾驶来说,从摄像机拍摄的照片中,识别出每个像素属于什么物体是很重要的。这些像素可以是汽车、行人、树、公共汽车等。

·语音识别:OKGoogle、Alexa和Siri都是语音识别的例子。

·语言翻译:从一种语言翻译成另一种语言。

4.1.2 无监督学习

在没有标签数据的情况时,可以通过可视化和压缩来帮助无监督学习技术理解数据。两种常用的无监督学习技术是:

·聚类;

·降维。

聚类有助于将所有相似的数据点组合在一起。降维有助于减少维数,从而可视化高维数据,并找到任何隐藏的模式。

4.1.3 强化学习

强化学习是最不流行的机器学习范畴。在真实世界中没有发现它的成功用例。然而,近年来有了些改变,来自Google的DeepMind团队成功地构建了基于强化学习的系统,并且在AlphaGo比赛中赢得世界冠军。计算机可以在比赛中击败人类的这种技术上的进展,曾被认为需要花费数十年时间才能实现。然而,使用深度学习和强化学习却可以这么快就达到目标,比任何人所预见的都要快。这些技术已经可以看到早期的成功,但可能需要几年时间才能成为主流。

在本书中,我们将主要

转载请注明:http://www.0431gb208.com/sjslczl/5905.html