入门机器学习必须知道哪些事呢？

请用语音读文章

热门回答：

　　许多人将机器学习视为通向人工智能的途径。但是对于统计学家或商人而言。机器学习也可以是一种强大的工具。可以实现前所未有的预测结果。

　　为什么机器学习如此重要?

　　在开始学习之前。我们想花一些时间强调WHY机器学习非常重要。

　　总之。每个人都知道人工智能或人工智能。通常。当我们听到AI时。我们会想象机器人到处走动。执行与人类相同的任务。但是。我们必须了解。虽然有些任务很容易。但有些任务却很困难。并且距离拥有像人类一样的机器人还有很长的路要走。

　　但是。机器学习是非常真实的并且已经存在。它可以被视为AI的一部分。因为当我们想到AI时。我们想象的大部分内容都是基于机器学习的。

　　在过去。我们相信未来的这些机器人将需要向我们学习一切。但是人脑是复杂的。并且并非可以轻松描述其协调的所有动作和活动。1959年。亚瑟·塞缪尔(Arthur Samuel)提出了一个绝妙的主意。即我们不需要教计算机。但我们应该让他们自己学习。塞缪尔(Samuel)也创造了“机器学习”一词。从那时起。当我们谈论机器学习过程时。我们指的是计算机自主学习的能力。

　　机器学习有哪些应用?

　　在准备这篇文章的内容时。我写下了没有进一步说明的示例。假定所有人都熟悉它们。然后我想：人们知道这些是机器学习的例子吗?

　　让我们考虑一些。

　　自然语言处理。例如翻译。如果您认为百度翻译是一本非常好的字典。请再考虑一下。百度翻译本质上是一组机器学习算法。百度不需要更新百度 Translate;它会根据不同单词的使用情况自动更新。

　　哦。哇 还有什么?

　　虽然仍然是主题。但Siri。Alexa。Cortana都是语音识别和合成的实例。有些技术可以使这些助手识别或发音以前从未听过的单词。他们现在能做的事令人难以置信。但在不久的将来。它们将给人留下深刻的印象!

　　SPAM过滤。令人印象深刻。但值得注意的是。SPAM不再遵循一组规则。它自己了解了什么是垃圾邮件。什么不是垃圾邮件。

　　推荐系统。Netflix。淘宝。Facebook。推荐给您的所有内容都取决于您的搜索活动。喜欢。以前的行为等等。一个人不可能像这些网站一样提出适合您的推荐。最重要的是。他们跨平台。跨设备和跨应用程序执行此操作。尽管有些人认为它是侵入性的。但通常情况下。数据不是由人处理的。通常。它是如此复杂。以至于人类无法掌握它。但是。机器将卖方与买方配对。将电影与潜在观众配对。将照片与希望观看的人配对。这极大地改善了我们的生活。

　　说到这。淘宝拥有如此出色的机器学习算法。它们可以高度确定地预测您将购买什么以及何时购买。那么。他们如何处理这些信息?他们将产品运送到最近的仓库。因此您可以在当天订购并收到产品。难以置信!

　　金融机器学习

　　我们名单上的下一个是金融交易。交易涉及随机行为。不断变化的数据以及从政治到司法的各种因素。这些因素与传统金融相距甚远。尽管金融家无法预测很多这种行为。但是机器学习算法会照顾到这种情况。并且对市场的变化做出响应的速度比人们想象的要快。

　　这些都是业务实现。但还有更多。您可以预测员工是否会留在公司或离开公司。或者可以确定客户是否值得您光顾-他们可能会从竞争对手那里购买还是根本不购买。您可以优化流程。预测销售。发现隐藏的机会。机器学习为机会开辟了一个全新的世界。对于在公司战略部门工作的人们来说。这是一个梦想成真。

　　无论如何。这些已在这里使用。然后。我们将进入自动驾驶汽车的新境界。

　　机器学习算法

　　直到最近几年。无人驾驶汽车还是科幻小说。好吧。不再了。自动驾驶汽车已经驱动了数百万英里(即使不是数十亿英里)。那是怎么发生的?没有一套规则。而是一组机器学习算法。使汽车学习了如何极其安全有效地驾驶。

　　我们可以继续学习几个小时。但我相信您的主旨是：“为什么要使用机器学习”。

　　因此。对您来说。这不是为什么的问题。而是如何的问题。

　　这就是我们的Python机器学习课程所要解决的问题。蓬勃发展的数据科学事业中最重要的技能之一-如何创建机器学习算法!

　　如何创建机器学习算法?

　　假设我们已经提供了输入数据。创建机器学习算法最终意味着建立一个输出正确信息的模型。

　　现在。将此模型视为黑匣子。我们提供输入。并提供输出。例如。考虑到过去几天的气象信息。我们可能想创建一个预测明天天气的模型。我们将输入模型的输入可以是度量。例如温度。湿度和降水。我们将获得的输出将是明天的天气预报。

　　现在。在对模型的输出感到满意和自信之前。我们必须训练模型。训练是机器学习中的核心概念。因为这是模型学习如何理解输入数据的过程。训练完模型后。我们可以简单地将其输入数据并获得输出。

　　如何训练机器学习算法?

　　训练算法背后的基本逻辑涉及四个要素：

　　a.数据

　　b.模型

　　c.目标函数

　　d.优化算法

　　让我们探索每个。

　　首先。我们必须准备一定数量的数据进行训练。

　　通常。这是历史数据。很容易获得。

　　其次。我们需要一个模型。

　　我们可以训练的最简单模型是线性模型。在天气预报示例中。这将意味着找到一些系数。将每个变量与它们相乘。然后将所有结果求和以得到输出。但是。正如我们稍后将看到的那样。线性模型只是冰山一角。依靠线性模型。深度机器学习使我们可以创建复杂的非线性模型。它们通常比简单的线性关系更好地拟合数据。

　　第三个要素是目标函数。

　　到目前为止。我们获取了数据。并将其输入到模型中。并获得了输出。当然。我们希望此输出尽可能接近实际情况。大数据分析机器学习AI入门指南https://www.aaa-cg.com.cn/data/2273.html这就是目标函数出现的地方。它估计平均而言。模型输出的正确性。整个机器学习框架归结为优化此功能。例如。如果我们的函数正在测量模型的预测误差。则我们希望将该误差最小化。或者换句话说。将目标函数最小化。

　　我们最后的要素是优化算法。它由机制组成。通过这些机制我们可以更改模型的参数以优化目标函数。例如。如果我们的天气预报模型为：

　　明天的天气等于：W1乘以温度。W2乘以湿度。优化算法可能会经过以下值：

　　W1和W2是将更改的参数。对于每组参数。我们将计算目标函数。然后。我们将选择具有最高预测能力的模型。我们怎么知道哪一个最好?好吧。那将是具有最佳目标函数的那个。不是吗?好的。大!

　　您是否注意到我们说了四个成分。而不是说了四个步骤?这是有意的。因为机器学习过程是迭代的。我们将数据输入模型。并通过目标函数比较准确性。然后。我们更改模型的参数并重复操作。当我们达到无法再优化或不需要优化的程度时。我们将停止。因为我们已经找到了解决问题的足够好的解决方案。

https://www.toutiao.com/i6821026294461891086/

以上就是由优质生活领域创作者 生活常识网 整理编辑的，如果觉得有帮助欢迎收藏转发~