1, pegue el entorno Python y la lista de pepita capturas de pantalla, vistazo a la disposición de todos. Por favor, no tendrá las condiciones para el desarrollo de los motivos y planes.
2, pegue las notas de estudio de video, requiere de verdad, no el plagio, la escritura puede tomar fotos.
I. Introducción
1, el concepto de (04:05): El aprendizaje automático es una rama de la inteligencia artificial. Podemos utilizar una computadora para diseñar un sistema, que puede en cierta manera de aprender los datos de entrenamiento proporcionadas; la tercera sesión de entrenamiento, el sistema puede continuar para aprender y mejorar en el rendimiento; aprendiendo modelo de optimización de parámetros puede ser utilizado cuestiones relacionadas salida predictivo.
2, la connotación y denotación de aprendizaje automático (19:00)
(1), máquina de aprendizaje de problema puede ser resuelto de predecir dados los datos. Tales como: limpieza de datos, la selección de características, determinando modelo de algoritmo, la optimización de parámetros y resultados de la predicción.
(2), no puede resolver el problema de la máquina de aprendizaje son: almacenamiento de datos de gran tamaño, la computación paralela, y así hacer un robot.
3, el proceso de aprendizaje de la máquina general (37:35): la recogida de datos de datos → → limpiado usando el modelado de datos → → modelo de ingeniería característica.
4, aprendizaje automático métodos (40:30)
(1), la regresión lineal, la velocidad, la pérdida de (45:40)
(2), Código EM, algoritmo EM (46:40)
(3), CMM y la imagen (49:05)
(4), la convolución de la imagen (49:35)
(5), para ICA separación media, la señal separada con ruido (50:10)
(6), el algoritmo SVM (51:37)
(7) sobre orugas de rastreo de datos (52:10)
(8) HMM palabra (MLE) (52:50)
(9) LDA (53:30)
(10) Otro contenido: entropía máxima, clustering, reducción de la dimensión, SVM, tema modelo pLSA / LDA, CRFs, derivación variacional Variación inferencia, aprendizaje profundo (55:10)
5, las matemáticas (62:30)
(1) el número de columnas está configurado (65:40)
(2) parámetros Naturales (66:30)
(3) el derivado de (67:40)
(4) el derivado de (70:00) de la función común
(5) Aplicación 1 (71:30)
(6) aplicación de integración 2 (77:00)
(7) oficial oficial -Maclaurin Taylor (82:20)
se aplica (8) fórmula Taylor (84:50)
(9) derivado de dirección (97:16)
(10) un gradiente (102: 50)
(11) la función Γ (111: 10)
(12) función convexa (114: 55)
(13) Probabilidad (128: 40)
3. ¿Cuál es el aprendizaje de máquina, lo que la clasificación? Con el caso, escriba su comprensión.
A: El aprendizaje automático es una rama de la inteligencia artificial. Podemos utilizar una computadora para diseñar un sistema, que puede en cierta manera de aprender los datos de entrenamiento proporcionadas; la tercera sesión de entrenamiento, el sistema puede continuar para aprender y mejorar en el rendimiento; aprendiendo modelo de optimización de parámetros puede ser utilizado cuestiones relacionadas salida predictivo.
Machine Learning Categoría:
(1) aprendizaje supervisado
El aprendizaje supervisado es el uso del conjunto de datos de entrenamiento limitado que se ha denominado por algunos para establecer un modelo de aprendizaje de estrategias / métodos para lograr el etiquetado de los nuevos datos / instancias (clasificación) / mapeo. requisitos de clasificación El aprendizaje supervisado y etiquetado de las muestras de entrenamiento es conocido, la clasificación más precisa y el etiquetado, la muestra más representativa, mayor será la precisión del modelo de aprendizaje. El aprendizaje supervisado en el procesamiento del lenguaje natural, recuperación de información, minería de texto, reconocimiento de escritura, detección de spam y otros campos han sido ampliamente aplicado.
aprendizaje conjunto de muestras de entrada supervisada se etiqueta de clasificación y etiquetado, literalmente, dado un conjunto de respuesta estándar. El aprendizaje supervisado a partir de tal determinada etiqueta de clasificación muestra de una función de aprendizaje centralizado, cuando llegan datos nuevos, esta función se puede predecir sobre la base de la clasificación y el etiquetado de los nuevos datos.
En el aprendizaje supervisado, los datos de entrada se llama "datos de entrenamiento", cada conjunto de datos de entrenamiento tienen una identidad clara o resultados, tales como anti-spam sistema de "correo no deseado" "clasificación No Spam".
Cuando los modelos predictivos de construcción, aprendizaje supervisado para construir un proceso de aprendizaje, los resultados predichos se compararon con un "datos de entrenamiento" que los resultados, ajustar continuamente los modelos predictivos, hasta que los resultados predichos del modelo para lograr una precisión deseada.
Los mayoría de los algoritmos de aprendizaje supervisado típicas, incluyendo la regresión y clasificación.
(2) aprendizaje no supervisado
aprendizaje no supervisado usando ocultación de datos limitado sin marcar describe la estructura / regla de datos no etiquetados. muestras de aprendizaje y formación sin supervisión no necesitan datos etiquetados de forma manual, la facilidad de almacenamiento de datos comprimidos, reduciendo la cantidad de algoritmos de cálculo para mejorar la velocidad, también evitar problemas de clasificación errónea causada por las muestras positivas y negativas de compensación, principalmente para la predicción económica, detección de anomalías, la minería de datos , procesamiento de imágenes, reconocimiento de patrones, tales como la organización de grupos de gran escala de computación, análisis de redes sociales, la segmentación del mercado, análisis de datos astronómicos.
En comparación con el aprendizaje no supervisado aprendizaje supervisado, sin pre-marcado de la muestra de la serie A. etiquetas de clasificación buena, que no está predefinido respuestas estándar. No le dice a la computadora cómo hacerlo, pero deje que su propio ordenador para aprender cómo clasificar los datos y, a continuación, tomar algún tipo de incentivo para aquellos que clasificó correctamente el comportamiento.
En el aprendizaje sin supervisión, los datos no se identifican específicamente, el modelo de aprendizaje es inferir algo de la estructura interna de los datos. Los escenarios comunes incluyen reglas de asociación, y la agrupación. algoritmos comunes incluyen Apriori algoritmo, KMeans algoritmo, un bosque aleatorio (bosque aleatorio), el análisis de componentes principales (análisis de componentes principales) y así sucesivamente.
(3) semi-aprendizaje supervisado
Semi-aprendizaje supervisado entre el aprendizaje supervisado y aprendizaje no supervisado, el principal problema es el uso de una pequeña cantidad de muestras marcadas y un gran número de muestras sin etiqueta para la formación y clasificación, con el fin de reducir el costo de etiquetado, el objetivo de mejorar la capacidad de aprendizaje.
En este modo de aprendizaje, los datos de entrada se identifica la sección, que forma parte no se identifica, este modelo de aprendizaje se puede utilizar para predecir, pero este modelo, para aprender las estructuras internas de datos para organizar los datos con el fin de predecir razonablemente.
escenarios de aplicación incluyen algoritmos de clasificación y regresión entre ellos algunos de extensión de uso general de algoritmos de aprendizaje supervisado, estos algoritmos no son identificadas en el primer intento de los datos del modelo, y luego identificar los datos para predecir sobre esta base. Como se muestra en el razonamiento (gráfico inferencia) algoritmo de Laplace o SVM (Laplaciano SVM) y así sucesivamente.
(4) aprendizaje por refuerzo
aprendizaje por refuerzo es un comportamiento mapeo sistema inteligente del ambiente para aprender con el fin de fortalecer la función del valor de la señal de la máxima. A medida que el entorno externo proporciona poca información, el aprendizaje de sistema de aprendizaje por refuerzo debe confiar en su propia experiencia.
Fortalecer el objetivo del aprendizaje es aprender a partir del estado de mapeo entorno para actuar, por lo que el comportamiento del agente seleccionado por su capacidad para conseguir el ambiente más recompensa, por lo que el ambiente externo se evaluó como el mejor en algún sentido, el sistema de aprendizaje. En su control del robot,, ajedrez, control industrial no tripulados y otros campos aplicados con éxito.
En este modo de aprendizaje, los datos de entrada como retroalimentación para el modelo, a diferencia del modelo de supervisión como datos de entrada sólo como un modelo para comprobar la manera equivocada. En el aprendizaje por refuerzo, los datos de entrada directamente de vuelta al modelo, el modelo debe hacer ajustes inmediatamente. escenarios comunes incluyen sistemas dinámicos y control del robot.
algoritmos comunes incluyen Q-aprendizaje y la diferencia de tiempo de aprendizaje (aprendizaje diferencia temporal).
web de referencia: https://blog.csdn.net/zw0Pi8G5C1x/article/details/89173508