个性化阅读
专注于IT技术分析

机器学习和深度学习基本内容详细图解

本文概述

什么是机器学习?

机器学习是人工智能(AI)的分支, 它提供了学习功能, 可以自动学习并从经验中学习。它由Arthur Samuel于1959年首次引入。

主要目的是允许计算机在没有人工干预或帮助的情况下自动学习, 并相应地调整操作。历史上许多问题对人类来说都是非常容易的, 而对于网络而言则是非常困难的, 机器学习(尤其是深度学习)是目前我们解决其中许多问题的最佳方法。

例如, 医学诊断, 图像处理, 预测, 分类, 回归等。

机器的演变

TensorFlow中的人工神经网络

机器学习的特点

  • 机器学习使用数据来检测任何数据集中的各种模式。
  • 它是一种数据驱动的技术。
  • 它可以从过去的数据中学习并自动进行改进。
  • 机器学习类似于数据挖掘, 因为它处理大量数据。

机器学习的需要

机器学习的需求正在迅速增长。作为人类, 我们有很多限制, 因为我们无法手动访问大量数据, 因此, 我们需要一些计算机系统。机器学习使我们的工作变得轻松。

它的用例可以轻松理解机器学习。目前, 机器学习已用于自动驾驶汽车, 网络欺诈检测, 面部识别和Facebook上的朋友建议。

一些顶级公司(例如Amazon和Netflix)已经建立了机器学习模型, 这些模型正在使用大量数据来分析用户兴趣并正确推荐产品。它还用于查找隐藏模式并从数据中提取有用的信息。

TensorFlow中的人工神经网络

机器学习的类型

  • 监督学习-“训练我!”
  • 无监督学习-“我在学习中自给自足!”
  • 强化学习-“我的生活, 我的规则(命中与审判)!”

监督学习:

监督学习是机器学习的一种, 我们可以考虑由老师来指导学习。

我们拥有的数据集将充当老师, 并用于训练模型和机器。一旦训练了模型, 便会在给出新数据时开始做出预测或决策。

TensorFlow中的人工神经网络

它可以分为两种类型:

  • 分类
  • 回归

分类

这是一种旨在重现课堂作业的技术。它产生响应值, 并将数据分为”类”。

示例:在照片中识别汽车的类型。

回归

回归是一种旨在产生输出值的技术。我们可以使用它。

示例:用于预测其他产品的价格。

TensorFlow中的人工神经网络

无监督学习:

当列车信息既未分类也未标注时, 将使用无监督机器学习算法。如果为模型提供了数据集, 它将通过在模型中创建聚类来自动在数据集中查找模式和关系。

假设我们根据模型和关系将苹果, 香蕉和芒果的图像呈现给模型, 从而创建了聚类并将数据集分为多个聚类。现在, 如果将新数据传递到模型, 则将其添加到生成的组之一中。

TensorFlow中的人工神经网络

它还有两种类型:

  • 聚类
  • 协会

聚类:

聚类用于发现特定事物的相似性和差异性。它将相似的事物分组。该算法可以帮助我们解决许多障碍。

示例:根据它们的内容创建类似推文的集群, 查找具有类似汽车的一组照片, 或者标识不同类型的新闻。

协会:

关联规则挖掘是聚类后无监督数据挖掘方法的另一关键, 它可以在大量数据项中找到有趣的关联(关系, 依赖项)。

半监督学习

它介于有监督的学习和无监督的学习之间。因此, 他们使用标记和未标记的数据进行训练, 其中使用少量标记数据和大量未标记数据。

通常, 当获取的标记数据需要熟练且重要的资源来训练它时, 便选择半监督学习。

TensorFlow中的人工神经网络

强化学习:

强化学习是代理与环境互动并找出最佳结果的能力。

它追逐命中和审判方法的概念。代理商会得到正确答案或错误答案的奖励或谴责, 并根据获得的积极奖励积分获得模型训练本身。并且再次训练它可以预测提供给它的新数据。

代理商的目标是获得最大的奖励积分并改善其绩效。

TensorFlow中的人工神经网络

强化学习的组成部分

  • 决策/代理学习
  • 环境-与哪些代理商互动
  • 行动-代理做什么!

深度学习

深度学习还是人工智能机器学习的一个子集。学习可以是有监督的, 半监督的或无监督的。

深度学习是一种机器学习方法, 可以使计算机做好准备, 以实现人类自然需要的东西。深度学习是无人驾驶汽车背后的一项关键技术, 使他们能够识别停车标志。

深度学习的工作

TensorFlow中的人工神经网络

深度学习近来受到了很多关注, 这是有充分原因的。计算机模型学习直接从深度学习中的任何图像, 文本和声音中执行分类任务。

术语”深层”通常是指神经网络中隐藏层的数量。传统的神经网络仅包含2-3个隐藏层, 而深度网络可以包含150个隐层。

TensorFlow中的人工神经网络

赞(0) 打赏
未经允许不得转载:srcmini » 机器学习和深度学习基本内容详细图解
分享到: 更多 (0)

评论 抢沙发

评论前必须登录!

 

觉得文章有用就打赏一下文章作者

微信扫一扫打赏