模板网站系统,土木特网站建设,百家号优化上首页,离我最近的电脑培训中心导航 一、 人工智能#xff0c;机器学习#xff0c;深度学习和传统学习二、数学基础三、编程语言 如果你刚刚入门机器学习#xff0c;会接触到了非常多的概念。比如人工智能#xff0c;机器学习#xff0c;深度学习#xff0c;神机网络#xff0c;强化学习#xff0c;各… 导航 一、 人工智能机器学习深度学习和传统学习二、数学基础三、编程语言 如果你刚刚入门机器学习会接触到了非常多的概念。比如人工智能机器学习深度学习神机网络强化学习各种算法等等。首先了解这些知识点所在的层级以便进一步的深入学习。
一、 人工智能机器学习深度学习和传统学习
人工智能是一种模拟人类智能的技术或系统。 机器学习是一种人工智能的分支机器学习的核心思想是让机器从数据中学习模式从而能够在未见过的数据上做出预测或决策。注我的理解是通过使用计算机或其它机器来实现人工智能的方法 深度学习深度学习是机器学习的一种子领域即是众多机器学习算法中的一种它专注于使用深层神经网络来解决复杂的模式识别和特征提取任务。因为它在解决许多复杂的模式识别和数据分析任务中取得了显著的成就所以被总是被单独提起甚至作为很多书籍特意讲解深度学习。 机器学习除了著名的深度学习意外还有以下一些常见算法它们也被称为传统算法 线性回归Linear Regression用于建立输入特征与输出之间的线性关系用于预测连续值输出。 逻辑回归Logistic Regression用于分类问题将输入特征映射到二元分类或多元分类输出。 决策树Decision Trees基于特征的条件分割数据用于分类和回归任务。 随机森林Random Forest由多个决策树组成的集成方法用于提高分类和回归的准确性。 支持向量机Support Vector MachinesSVM寻找超平面来分隔不同类别的数据点用于分类和回归问题。 朴素贝叶斯Naive Bayes基于贝叶斯定理的概率方法用于文本分类和其他分类任务。 K近邻算法K-Nearest NeighborsKNN通过找到最接近新数据点的K个训练样本来进行分类或回归。 K均值聚类K-Means Clustering将数据分为K个不同的簇用于无监督聚类任务。 主成分分析Principal Component AnalysisPCA用于降维将数据映射到较低维度的空间保留主要特征。 线性判别分析Linear Discriminant AnalysisLDA用于降维和分类将数据投影到可以最大程度区分不同类别的子空间。 提升算法Boosting通过迭代训练多个弱分类器将它们组合成一个强分类器如AdaBoost。 贝叶斯网络Bayesian Networks用于建模变量之间的概率关系进行概率推理和预测。
我们在学习机器学习其实就是在学习机器学习和应用这些算法。
二、数学基础
机器学习需要一定的高校的数学基础即数学三大件高数线代概率论。你可以在学习机器学习之前先补充相关的知识这里非常推荐3Blue1brown的视频他简明扼要使用3D图像的方式展示数学的本质在开始某门数学之前我非常建议先看完他的事情对核心有一个大致的了解对以后的深入学习是事倍功半的 3BlueBrown 视频合集列表
如果你已经在职或者是不想重头开始学习数学那么你或许可以和我一样先开始看机器学习的算法比如线性回归开始遇到不理解的数学再开始查阅资料学习。比如在线性回归中你会遇到矩阵的概念如果你发现你不理解什么是矩阵或者只是有一个非常模糊的概念或者忘记如何运算那么你可以搜索矩阵这样就可以补充这块是数学知识。
另外你可能会参考某一个本机器学习的教材或某一本书籍如果某一章节你难以看懂那就将主要主要在把主题放到搜索引擎上看到更多的人是如何解释这个算法的。
目前对于常见的算法已经有非常多的教程。你很可能换了二三个视频以后发现茅塞顿开。
三、编程语言
理论上我们可以使用任何编程语言但是目前最受欢迎的是python所以如果你想学习机器学习我也建议你学习python语言他的基础语法非常简单可能一周就可以掌握了。
接下来我们从线性回归这个简单的机器学习开始作为入门使用python来作为我们第一个机器学习的算法和实践。
