ML-0:机器学习(入门-初级)

【AI】用iOS的ML(机器学习)创建自己的AI App 在机器学习中,一切都始于模型,这是进行预测或识别的系统。教计算机学习涉及使用训练数据的机器学习算法进行学习。从训练中生成的输出通常称为机器学习模型。有不同类型的机器学习模型来解决同一个问题(例如对象识别),但使用不同的算法。是其中一些机器学习算法。 阅读详情

本篇文章首先介绍机器学习的概念,然后通过例子来介绍,引出重要的术语概念,这些术语概念又作为区分机器学习任务的标准引出机器学习任务的类型。总之,本篇文章介绍(1)数据类型(2)任务类型。


 目录

1.何谓机器学习

2.关键术语

3.机器学习的主要任务

4. 如何选择合适的算法


1.何谓机器学习

        除却一些无关紧要的情况,人们很难直接从数据本身获得所需信息。例如,对于垃圾邮件的检测,侦测一个单词是否存在并没有太大的作用,然而当某几个特定单词同时出现时,再辅以考虑邮件长度及其他因素,人们就可以更准确地判断该邮件是否为垃圾邮件。即事物本身具备一定的规律,这个规律蕴藏在若干个关键的特征的有机联系之中。

机器学习是基于对数据学习,掌握数据内部蕴藏的规律的一种方式。

2.关键术语

        在开始研究机器学习算法之前,必须掌握一些基本的术语。通过构建下面的鸟类分类系统,我们将接触机器学习涉及的常用术语。 表1-1是我们用于区分不同鸟类需要使用的四个不同的属性值,我们选用体重、翼展、有无脚蹼以及后背颜色作为评测基准。现实中,你可能会想测量更多的值。通常的做法是测量所有可测属性,而后再挑选出重要部分。下面测量的这四种值称之为特征,也可以称作属性。表1-1中的每一行都是一个具有相关特征的实例。 

        表1-1的前两种特征是数值型,可以使用十进制数字;第三种特征(是否有脚蹼)是二值型,只可以取0或1;第四种特征(后背颜色)是基于自定义调色板的枚举类型,这里仅选择一些常用色彩。如果仅仅利用常见的七色作为评测特征,后背颜色也可以是一个整数。

       机器学习的现实意义: 现在有一项活动:寻找象牙喙啄木鸟,找到一只象牙喙啄木鸟奖励5万美元。 为了获得这5万美元,首先要学会辨别象牙喙啄木鸟,我们需要记住象牙喙啄木鸟的特征:体重、翼展、脚蹼、后背颜色等,通过这些特征,我们可以总结出识别象牙喙啄木鸟的准则。那么,机器能不能像人一样,通过识别提取特征,总结出识别象牙喙啄木鸟的准则呢?答案是可以的,首先特征提取我们可以通过安装多个带有照相机的喂食器,同时接入计算机用于标识前来进食的鸟。同样我们可以在喂食器中放置称重仪器以获取鸟的体重,利用计算机视觉技术来提取鸟的翅长、脚的类型和后背色彩。假定我们可以得到所需的全部特征信息,那该如何判断飞入进食器的鸟是不是象牙喙啄木鸟呢?即我们得有判断象牙喙啄木鸟的判断准则,怎么确定判断准则呢,这就要通过机器学习来实现了,通过对已有数据的学习来总结出规律。

机器学习的主要任务就是分类。本节我们讲述如何使用表1-1进行分类。

        我们决定使用某个机器学习算法进行分类,首先需要做的是算法训练,即学习如何分类(判断准则)。通常我们为算法输入大量已分类数据作为算法的训练集。训练集是用于训练机器学习算法的数据样本集合,表1-1是包含六个训练样本的训练集,每个训练样本有4种特征、一个目标变量(标签),如图1-2所示。目标变量是机器学习算法的预测结果,在分类算法中目标变量的类型通常是标称型(离散型)的,而在回归算法中通常是数值型(连续型)的。训练样本集必须确定知道目标变量的值,以便机器学习算法可以发现特征和目标变量之间的关系。

        为了测试机器学习算法的效果,通常使用两套独立的样本集:训练数据和测试数据。当机器学习程序开始运行时,使用训练样本集作为算法的输入,训练完成之后输入测试样本。输入测试样本时并不提供测试样本的目标变量,由程序决定样本属于哪个类别。比较测试样本预测的目标变量值与实际样本类别之间的差别,就可以得出算法的实际精确度。

3.机器学习的主要任务

         上节的例子介绍了机器学习如何解决分类问题,它的主要任务是将示例数据划分到合适的分类中。机器学习的另一项任务针对的是回归问题,它主要用于预测数值型数据。大多数人可能都见过回归的例子——数据拟合曲线:通过给定数据点的最优拟合曲线。分类和回归属于监督学习,之所以称之为监督学习,是因为这类算法必须知道预测什么,即必须有目标变量信息。

        与监督学习相对应的无监督学习,此时数据没有类别信息,也不会给定目标值。在无监督学习中,将数据集合分成由类似的对象组成的多个类的过程被称为聚类;将寻找数据统计值的过程称之为密度估计。表1-2列出了机器学习的主要任务,以及解决相应问题的算法。

 总结:

        现实中存在着各种不同的问题,解决不同的问题对应着不同的任务,实现不同的任务目标需要采用不同的方法。

        我们把需要提供数据中包含目标变量(标签)的任务称为监督学习,不包含目标变量的任务称之为无监督学习,而在监督学习中,目标变量类型为标称型的为分类任务,目标变量类型为数值型的为回归任务,解决不同的任务需要采用不同的学习算法,这都是一一对应的:问题-数据-任务-算法。因此,机器学习算法不是某一种算法,而是众多算法的集合,机器学习是基于算法解决特定问题实现目标的一个有机系统。


 监督学习与无监督学习的区别

  1. 监督学习是一种目的明确的训练方式;而无监督学习是没有明确目的的训练方式;
  2. 监督学习需要给数据打标签;而无监督学习不需要给数据打标签;
  3. 监督学习由于目的明确,因此可以衡量效果;而无监督学习几乎无法衡量效果如何。

机器学习并不只有监督学习和无监督学习,除了以上的三种之外,根据使用解决问题方法(算法)的不同,还包括:迁移学习、强化学习等。 

4. 如何选择合适的算法

        选择算法的时候必须考虑下面两个问题:一.使用机器学习的目的,想要完成何种任务,比如是预测明天下雨的概率还是对投票者按照兴趣分组;二.需要分析或收集的数据是什么。

1)  首先考虑使用机器学习算法的目的: 如果想要预测目标变量的值,则可以选择监督学习算法,否则可以选择无监督学习方法。

        确定使用监督学习算法之后,需要进一步确定目标变量类型,如果目标变量是离散型,如是/否、1/2/3、A/B/C等,则可以选择分类算法;如果目标变量是连续型的数值,如0.0-100.00、999~999或-∞~+∞,则需要选择回归算法。

        如果不想预测目标变量的值,则可以选择无监督学习算法。进一步分析是否需要将数据划分为离散的组。如果这是唯一的需求,则使用聚类算法;如果还需要估计数据与每个分组的相似程度,则需要使用密度估算算法。

2)其次需要考虑的是数据问题。在实施具体机器学习策略之前,我们应该充分了解数据,对实际数据了解的越充分,越容易创建符合实际需求的应用程序。主要应该了解数据的以下特性:

  • 特征值是离散型变量还是连续型变量;
  • 特征值是否存在缺失的值;
  • 何种原因造成缺失值;
  • 数据中是否存在异常值;
  • 某个特征发生的频率如何


参考文献:

1.《机器学习实战》,Peter Harrington,人民邮电出版社。

Spark 2.0 机器学习 ML 库:常见的机器学习模型(Scala 版) 一、前言 机器学习中,人为地设计算法,需要一定的知识积淀。 而使用别人设计好的机器学习库如 Spark 2.0 ML,那是基本不需要什么基础的,开箱即用。 首先,看一个简单、完整、规范的案例,无疑是最好的方式。 之前的文章(内含短小精悍的案例): Spark 2.0 机器学习 ML 库:特征提取、转化、选取(Scala 版) Spark 2.0 机器学习 ML 库:机器学... 阅读详情

相关推荐

初学者入门机器学习 (ML)的推荐教程

了解基本的机器学习概念并不难。有大量免费的在线博客文章、视频和编码教程可以引导您了解基础知识——从介绍性内容到常见应用程序,再到算法和应用技能。这篇文章总结了一些用于介绍 ML 的最佳免费选项。它按逻辑顺序排列,每个概念都建立在上一个概念的基础上。

u010542847的博客 4632

机器学习(一) ----基础知识

组成 主要任务 分类(classification): 将实例数据划分到合适的类别中。 应用实例: 判断网站是否被黑客入侵(二分类 ),手写数字的自动识别(多分类) 回归(regression): 主要用于预测数值型数据。 应用实例: 股票价格波动的预测,房屋价格的预测等。 分类 1. 监督学习(supervised learning) 必须确定目标变量的值,以便机器学习算法可以发现特征和目标变量之间的关系。在监督学习中,给定一组数据,我们知道正确的输出结果应该是什么样子,并且知道在输入和输出之间有着

sGDUTBMW的博客 1472

用 ML.NET 开发智能应用:让 .NET 程序员轻松掌握机器学习

ML.NET是一个由微软开发的开源跨平台机器学习框架,专为 .NET 开发者设计,允许他们在不离开 C# 或 F# 编程语言的情况下,进行机器学习建模和应用。通过 ML.NET,开发者无需学习 Python 或深度学习框架的复杂操作,就能在其现有的 .NET 应用中集成强大的机器学习功能。ML.NET 支持各种机器学习任务,包括分类、回归、聚类、推荐、异常检测、自然语言处理等。无论是开发企业级应用、Web 应用,还是桌面应用,ML.NET 都能为你的项目带来智能化提升。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 3894

机器学习2018-12-28

机器学习 组成 主要任务 分类(classification):将实例数据划分到合适的类别中。 应用实例:判断网站是否被黑客入侵(二分类),手写数字的自动识别(多分类) 回归(regression):主要用于预测数值型数据 应用实例:股价价格波动的预测,房屋价格的预测等。 监督学习(superviesd learning) 必须确定目标变量的值,以便机器学习算法可以发现特征和目标变量之间的关系。在...

qq_32228793的博客 980

在 Azure ML 上用 .NET 跑机器学习

.NET ML 你在用了吗?

Kinfey 4461

ml5.js人工智能编程入门教程(1): ml5.js介绍 & 实现图像分类

ml5.js 是基于tensorflow.js的深度学习框架,它安装简便,API简单易懂,直接在浏览器里面运行,适合作为深度学习的入门以及非人工智能专业的深度学习的工具。 本系列课程将以一个个实际的例子,带领大家编写ml5.js的深度学习代码,亲自动手进入人工智能的世界。 在学习本系列教程过程中,请大家一定要:写代码,自己写代码,自己写有趣的代码!!! 观看本教程视频 一、ml5.js介

fribbler的博客 9371

机器学习笔记1

监督学习(给定样本数据集,机器从中推演出目标变量的可能结果) 监督学习使用的两种类型的目标变量:(1)标称型目标变量(适用于有限目标集)(2)数值型目标变量(主要用于回归分析,可从无限数值集合中取值) ...

weixin_43264420的博客 280

Java机器学习库ML之一Dataset和Instance

Java机器学习库ML官网:http://java-ml.sourceforge.net/ 对于一个机器学习库来说,最基础就是数据处理能力,ml库给了dataset和instance两个类,dataset是矩阵,instance是行(可以理解是一个list,或一个double数组)。 本文给出最基本的Dataset和Instance操作,可以完成对一个矩阵的遍历,定位到每一行里的每一个列,可惜

医疗影像检索 6083

《机器学习实战》笔记(01):机器学习基础

机器学习基础 机器学习能让我们自数据集中受到启发,换句话说利用计算机来彰显数据背后的真实含义。 机器学习在日常生活中的应用 人脸识别 手写数字识别 垃圾邮件过滤 电商的产品推荐 天气预测 疾病诊断 … 何为机器学习 机器学习就是把无序的数据转换成有用的信息 机器学习用到统计学,为什么用统计学呢? 在现实生活中,并不是每一个问题都存在确定的解决方案。在很多时候,我们都无法透彻地理解问题,或者没有足够的计算资源为问题精确建立模型,例如我们无法给人类活动的动机建立模型。为了解决这些问题,我们需要用到统计学知识

KISS 705

iOS 11: CORE ML—浅析

本文来自于腾讯Bugly公众号(weixinBugly),未经作者同意,请勿转载,原文地址:https://mp.weixin.qq.com/s/OWD5UEiVu5JpYArcd2H9ig 作者:liujizhou 导语:在刚刚过去的WWDC上,苹果发布了Core ML这个机器学习框架。现在,开发者可以轻松的使用Core ML把机器学习功能集成到自己的应用里,让应用变得更加智能,给用

腾讯Bugly的专栏 3128

C# ML.NET机器学习入门:5步轻松搞定,代码详解+实战演练

通过以上五个步骤,你已经成功地使用C#和ML.NET创建并使用了一个简单的机器学习模型。是不是感觉比想象中简单多了?其实,机器学习并没有那么高深莫测,只要你愿意动手实践,就能轻松上手。希望这篇教程对你有所帮助,如果你有任何问题或建议,欢迎在评论区留言交流!接下来,你可以尝试使用更多的数据集和不同的任务类型,进一步提升你的机器学习技能。加油,未来的机器学习专家!🌟✨😊✨。

java专栏 4820

浅谈机器学习(第一章基本概念)

基础的机器学习概念与知识

PNTer 3163

机器学习ML.NET

是用于 .NET 的跨平台开源机器学习 (ML) 框架。ML.NET 允许开发人员在其 .NET 应用程序中轻松构建、训练、部署和使用自定义模型,而无需开发机器学习模型的专业知识或使用 Python 或 R 等其他编程语言的经验。该框架提供从文件和数据库加载数据,支持数据转换,并包含许多 ML 算法。借助 ML.NET,您可以针对(如分类、预测和异常检测)训练模型。您还可以在 ML.NET 中使用 TensorFlow 和 ONNX 模型,这使得框架更具可扩展性,并扩展了支持的方案数量。

A_nanda的博客 5586

Unity 机器学习(ML-Agents) 基础

Unity 机器学习 ML-Agents 基础Unity 官方示例下载ML-Agents 部分Python 下载AnacondaAnaconda 虚拟环境构建 ML-Agents安装 ML-Agents Python 包安装 ML-Agents 包ML-Agents 入门指南Unity Hub 部分虚拟环境 训练虚拟环境 训练运行:虚拟环境 开始训练:虚拟环境 观察训练进度:虚拟环境 停止训练虚拟环境 恢复训练虚拟环境 训练模型ML-Agents 打造新的学习环境ML-Agents 资产导入 Unity 官

Maddie_Mo的博客 1万+

Unity中的机器学习ML-Agents

一:介绍 二:搭建环境 ——升级Python版本 因为mac自带的是python2.7.X的版本, 查看当前python版本:python -V ——搭建Python环境 安装Anconda:https://www.anaconda.com/products/individual

L的博客 8398

ML:MLOps系列讲解之《设计机器学习驱动的(ML-powered)软件—我们想要解决的业务问题是什么?》解读

ML:MLOps系列讲解之《设计机器学习驱动的(ML-powered)软件—我们想要解决的业务问题是什么?》解读 导读:设计机器学习驱动的软件,这部分致力于任何软件项目中最重要的阶段之一——理解业务问题和需求。 由于这些同样适用于基于 ML 的软件,因此您需要确保在开始设计之前有一个很好的理解。 任何软件项目中最重要的阶段都是理解业务问题并创建需求。基于ML的软件在这里也不例外。最初的步骤包括对业务问题和需求的彻底研究。这些需求被转换成模型目标和模型输出。需要指定可能的错误和启动的最低成功率。继续研究A

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 2818

[spark]总结spark ML机器学习库(pyspark.ml)

目录 一、pyspark.ml.feature特征处理 二、pyspark.ml模型 三、pyspark.ml.tuning参数遍历 一、pyspark.ml.feature特征处理 方法 描述 功能 连续特征离散化 Binarizer 将连续值划分为二元离散数值 连续特征离散化 Bucketizer 将连续值划分为多元离散数值 ...

woniu201411的博客 3087

别再让电池充不满!用CN3791芯片设计太阳能充电电路,这几个调试坑我帮你踩了

本文详细解析了使用CN3791芯片设计太阳能充电电路时的常见调试问题及解决方案。从RCS电阻的选择到MPPT电压偏差的修正,再到线路损耗和温度补偿的优化,提供了全面的避坑指南。通过实测数据和优化方案,帮助工程师提升锂电池充电效率,确保太阳能充电电路的稳定性和可靠性。

weixin_42528191的博客 245

ML.NET 机器学习实用指南(一)

机器学习(ML)在许多行业中得到广泛应用,如科学、医疗保健和研究,其受欢迎程度仍在不断增长。2018 年 3 月,微软推出了 ML.NET,以帮助.NET 爱好者与机器学习(ML)进行工作。通过这本书,你将探索如何使用 C#代码构建 ML.NET 应用程序,并使用各种 ML 模型。本书首先为你概述了机器学习和使用的 ML 算法类型,同时介绍了 ML.NET 是什么以及为什么需要它来构建 ML 应用程序。然后,你将探索 ML.NET 框架、其组件和 API。本书将作为一本实用指南,帮助你使用 ML.NET 库

龙哥盟 3057

STM32 FDCAN热插拔恢复机制与自动重发功能优化

本文深入分析了STM32 FDCAN在热插拔场景下触发bus-off状态导致通讯中断的根本原因,指出自动重发功能是问题关键。通过禁用自动重发、配置硬件自动恢复机制及优化总线参数,实现了FDCAN热插拔后的100%稳定恢复,为工业应用提供了可靠的CAN总线解决方案。

ice55的博客 687

高速接口电平标准互连设计:LVPECL、PECL与LVDS的实战解析

本文深入解析了LVPECL、PECL与LVDS三种高速接口电平标准的互连设计实战。针对信号共模电压、阻抗匹配等核心差异,详细对比了直流耦合与交流耦合两种主流方案,并提供了电阻网络计算、布局布线要点及光模块等特殊场景下的选型建议,帮助工程师解决高速信号间的“翻译”难题,确保信号完整性。

weixin_29198045的博客 542
上一篇: GAN(生成对抗网络)的系统全面介绍(醍醐灌顶)
下一篇: LSTM-代码讲解(股票预测)
打灰人
博客等级 码龄5年 775粉丝 8原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值