机器学习 绪论

Posted 2021-12-23 钟钟终

用数据来训练模型

数据——拿西瓜举例
*数据集 ：100个西瓜
*样本：1个西瓜
*特征向量：样本空间
*属性：颜色

通过学习算法：自己学习和训练

得到模型：
有监督学习（有一个非常明确的答案）：
1.分类问题
二分类——正负、这个西瓜摘与不摘
多分类——Y>=2 ,市场上要买哪种西瓜
2.回归问题（是一个连续值）
正确的解为Y=R实数集
某段时间内的西瓜，那个时间买西瓜合适

无监督学习（输入的数据没有指定答案）：聚类问题
1.我们不知道分几类，机器自己分。每个组成为“簇”（cluster）

进行测试（predicting）： 测试（testing）、测试样本、泛化能力(能预测没见过的数据的能力)

假设空间 :科学推理的手段(归纳和演绎)
归纳：狭义上从训练数据中得到概念，布尔概念(是或不是），广义上是从样本中学习
演绎：从一般到特殊

归纳偏好
同一个数据集训练出了不同的模式，问该如何选择。
原则：奥卡姆剃刀（也就是选最简单的那个，不同的点都能得到正确的答案，但要取最优的那个）

人为干涉越少越好，机器的自我修正能力

神经网络基础：
单层感知器、现行神经网络、BP神经网络、Hopfield神经网络

发展流程：
单层感知器——>BP神经网络——>卷积神经网络——>残差神经网络
单层感知器——>BP神经网络——>RNN(递归神经网络）——>LSTM

单层感知器——>Hopfield神经网络——>玻尔兹曼机——>受限玻尔兹曼机（联合BP神经网络）——>深度置信网络