监督式机器学习与无监督式机器学习-程序员宅基地

技术标签：深度学习人工智能

监督式机器学习

监督式机器学习是指数据集中的每条记录都包含标签或标志的问题类型。

请考虑下表，其中包含有关最高温度、最低温度和最大振动的信息。

最后一列 asperity 是标签。给定温度和振动数据，我们想要预测粗糙度。这是一个带标签的数据集。

使用这个包含标签的数据集，我们可以训练一种算法来预测未标记数据的未来。你把它拟合到你的算法中，算法现在会预测这个数据的标签。这称为监督学习。回归和分类是监督学习的两种类型。

回归

必须预测连续值的用例类型称为回归。例如，如果我们向算法传递值 35、35 和 12，则预测粗糙度的值为 0.32。

分类

输出为二进制值或至少是离散值而不是连续值的用例类型称为分类。换句话说，该算法不预测数字，而是预测类变量。

例如，如果我们将值 35、35 和 12 传递给算法，则预测值 0 表示损坏。

如果只有两个类，则称为二元分类。如果有两个以上的类，则具有多类分类。

无监督学习

无监督机器学习是指数据集中没有记录包含任何标签或标志的问题类型。聚类是一种无监督机器学习。

聚类

在前面显示的 3 维图中，请注意 3 个数据簇或云。仅通过绘制表格，我们就可以看到数据以三个聚类为中心。此过程称为聚类分析。

构建模型

机器学习模型是指使用以前看到的数据构建的数学配置，并设置为以先前计算的一定程度的精度预测新数据。

以下是从头开始构建模型时迭代执行的步骤序列。

数据探索
数据预处理
拆分数据以进行训练和测试
准备分类模型
使用管道组装所有这些步骤
训练模型
对模型运行预测
评估和可视化模型性能

使用 Python 和 scikit-learn 生成和测试第一个机器学习模型中介绍了生成模型的更详细的实践方法。

管道

管道是在机器学习流中设计数据处理的一个非常方便的过程。数据预处理是一个繁琐的步骤，每次训练开始之前都必须对数据应用，无论将应用哪种算法。下图显示了每次在数据建模开始之前应用的典型预处理步骤序列。

这个想法是，在使用管道时，您可以保留预处理，只需切换不同的建模算法或建模算法的不同参数集即可。总体思路是，您可以将整个数据处理流程融合到一个管道中，并且该管道可以在下游使用。

与机器学习算法类似，管道具有称为拟合、评估和评分的方法。基本上，fit 开始训练，score 返回预测值。

交叉验证是使用管道的最大优势之一。它是指使用同一管道更改或调整多个超参数的过程，从而加速算法的优化。有几个超参数可以调整为性能更好的模型。与这些主题相关的详细信息将在以后的文章中介绍。

总结

本教程提供了机器学习的一些基本概念。它提供了一种实用的方法来理解必要的概念，以帮助您入门。

在线教程

麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
机器学习 – 有指导和无指导情况下的基本机器学习算法
机器学习中的神经网络 – 智能神经网络上的算法和实践经验
斯坦福统计学习

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取

请添加图片描述

人工智能书籍

第一阶段：零基础入门（3-6个月）

新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

第二阶段：基础进阶（3-6个月）

熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

第三阶段：工作应用

这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取

在这里插入图片描述

本文链接：https://blog.csdn.net/2301_81887304/article/details/135025924

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

MATLAB车道线检测技术分析_车道路线识别matlab-程序员宅基地

文章浏览阅读942次，点赞22次，收藏21次。车道线检测的应用场景具有时序信息特性，为了利用时序特征通常会引入RNN模块，加上Encoder-Decoder的形式已经成为CNN特征提取的标配，所以一般的做法是对Encoder提取的Features进行进一步加工，提取连续帧带来的历史信息。VPGNet：一共20k张图片，包含白天（非雨天、雨天、大雨天）、夜晚的数据，同时包含了各种车道线类型，以及其他不同类型的车道标识（左转箭头、直行箭头、斑马线等等），如下图。TuSimple：一共72k张图片，位于高速路，天气晴朗，车道线清晰，特点是车道线以点来标注；_车道路线识别matlab

kds官方android客户端,电子厨打设置（KDS/ADS）-程序员宅基地

文章浏览阅读1.3k次。KDS应用场景KDS和ADS设置使用方案：厨房模式(KDS) 配菜模式(ADS) 呼叫广告模式(TV)电子菜牌模式KDS(kitchen display system)ADS(assign display system)准备工作安卓电子厨打客户端硬件要求：各类安卓平板及安卓一体机(安卓4.4.2以上，7寸屏以上)收银设备的IP，做KDS的设备IP，做ADS的设备IP必须在同一个网段(接同一个路由上..._kitchen display system

Nginx + Consul + Upsync实现动态负载均衡_consul+nginx-upsync-module-程序员宅基地

文章浏览阅读1.7k次。各组件作用：ConsulWeb：Consul的客户端可视化界面，管理负载均衡配置的信息ConsulServer：Consul服务端，用于存放负载均衡配置Nginx：以间隔时间动态读取ConsulServer配置Upsync：新浪微博开源的基于Nginx实现动态配置的三方模块。Nginx-Upsync-Module的功能是拉取Consul的后端server的列表，并动态更新Nginx..._consul+nginx-upsync-module

ECharts动态加载堆叠柱状图的实例-程序员宅基地

文章浏览阅读1.2k次。一、引入echarts.js文件（下载页:http://echarts.baidu.com/download.html）二、HTML代码：<div style="width: 100%; height: 400px;" id="main"></div>三、js代码（获取数据以及对数据的处理方法）：function loadData(callb..._echarts 横向堆叠柱状图

S2 第二学期的第二本书的第六章上机和简答题_public student(string num,string password,string n-程序员宅基地

文章浏览阅读805次。1.继承[csharp] view plain copy using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Threading.Tasks; namespac_public student(string num,string password,string name,string age,string birt

通过Llamaindex分析用户舆情信息技术调研_get_response_synthesizer-程序员宅基地

文章浏览阅读230次。通过Llamaindex分析用户舆情信息技术调研_get_response_synthesizer

随便推点

笔记：图以及cpp基础-程序员宅基地

文章浏览阅读1.8k次。如int fun(int i,char a)和void fun(char a,int i)就可以构成函数重载，根据函数名修饰的原理我们可以得到_funic和 _funci两个经过修饰之后得到的函数名，在进行修饰后的函数名显然是不同的。定义：同一个作用域内，相同函数名，参数不同（类型不同，个数不同）可以构成函数重载（和返回值无关）分析其二：顶点i的度即为第i行和i列的“1”的个数，如果是无向图就只要考虑每一行“1”的个数。图的邻接矩阵为一个二维数组，设为A.arcs【i】【j】（理解为两个顶点之间的关系）_cpp