机器学习 | 基础图表
数据派THU
共 3627字,需浏览 8分钟
· 2022-07-30
来源:机器之心 本文约3300字,建议阅读5分钟 本文介绍了机器学习基础的图表,其中介绍了机器学习的基本概念、原理、历史、未来趋势和一些常见的算法。
1. 什么是机器学习?
2. 机器学习和人工智能的关系
3. 机器学习的工作方式
4. 机器学习所处的位置
5. 机器学习的实际应用
快速三维地图测绘和建模:要建造一架铁路桥,PwC 的数据科学家和领域专家将机器学习应用到了无人机收集到的数据上。这种组合实现了工作成功中的精准监控和快速反馈。 增强分析以降低风险:为了检测内部交易,PwC 将机器学习和其它分析技术结合了起来,从而开发了更为全面的用户概况,并且获得了对复杂可疑行为的更深度了解。 预测表现最佳的目标:PwC 使用机器学习和其它分析方法来评估 Melbourne Cup 赛场上不同赛马的潜力。
1. 五大流派
2. 演化的阶段
主导流派:符号主义 架构:服务器或大型机 主导理论:知识工程 基本决策逻辑:决策支持系统,实用性有限
主导流派:贝叶斯 架构:小型服务器集群 主导理论:概率论 分类:可扩展的比较或对比,对许多任务都足够好了
主导流派:联结主义 架构:大型服务器农场 主导理论:神经科学和概率 识别:更加精准的图像和声音识别、翻译、情绪分析等
3. 这些流派有望合作,并将各自的方法融合到一起
主导流派:联结主义+符号主义 架构:许多云 主导理论:记忆神经网络、大规模集成、基于知识的推理 简单的问答:范围狭窄的、领域特定的知识共享
主导流派:联结主义+符号主义+贝叶斯+…… 架构:云计算和雾计算 主导理论:感知的时候有网络,推理和工作的时候有规则 简单感知、推理和行动:有限制的自动化或人机交互
主导流派:算法融合 架构:无处不在的服务器 主导理论:最佳组合的元学习 感知和响应:基于通过多种学习方式获得的知识或经验采取行动或做出回答
1. 决策树(Decision Tree)
优点:擅长对人、地点、事物的一系列不同特征、品质、特性进行评估。 场景举例:基于规则的信用评估、赛马结果预测。
2. 支持向量机(Support Vector Machine)
优点:支持向量机擅长在变量 X 与其它变量之间进行二元分类操作,无论其关系是否是线性的。 场景举例:新闻分类、手写识别。
3. 回归(Regression)
优点:回归可用于识别变量之间的连续关系,即便这个关系不是非常明显。 场景举例:路面交通流量分析、邮件过滤。
4. 朴素贝叶斯分类(Naive Bayes Classification)
优点:对于在小数据集上有显著特征的相关对象,朴素贝叶斯方法可对其进行快速分类。 场景举例:情感分析、消费者分类。
5. 隐马尔可夫模型(Hidden Markov model)
优点:容许数据的变化性,适用于识别(recognition)和预测操作。 场景举例:面部表情分析、气象预测。
6. 随机森林(Random forest)
优点:随机森林方法被证明对大规模数据集和存在大量且有时不相关特征的项(item)来说很有用。 场景举例:用户流失分析、风险评估。
7. 循环神经网络(Recurrent neural network)
优点:循环神经网络在存在大量有序信息时具有预测能力。 场景举例:图像分类与字幕添加、政治情感分析。
8. 长短期记忆(Long short-term memory,LSTM)与门控循环单元神经网络(gated recurrent unit nerual network)
优点:长短期记忆和门控循环单元神经网络具备与其它循环神经网络一样的优点,但因为它们有更好的记忆能力,所以更常被使用。 场景举例:自然语言处理、翻译。
9. 卷积神经网络(convolutional neural network)
优点:当存在非常大型的数据集、大量特征和复杂的分类任务时,卷积神经网络是非常有用的。 场景举例:图像识别、文本转语音、药物发现。
编辑:王菁
校对:林亦霖
评论
【深度学习】人人都能看懂的LSTM
熟悉深度学习的朋友知道,LSTM是一种RNN模型,可以方便地处理时间序列数据,在NLP等领域有广泛应用。在看了台大李宏毅教授的深度学习视频后,特别是介绍的第一部分RNN以及LSTM,整个人醍醐灌顶。本文就是对视频的记录加上了一些个人的思考。0. 从RNN说起循环神经网络(Recurrent Neur
机器学习初学者
0
科普:深度学习训练,不同预算GPU选购指南
以下文章来源于微信公众号:DeepHub IMBA作者:Mike Clayton本文仅用于学术分享,如有侵权,请联系后台作删文处理导读购买显卡第一个要考虑的问题是什么?当然是预算。本文提供了不同预算的显卡选购指南,希望能对各位读者有所帮助。在进行机器学习项目时,特别是在处理深度学习和神经网络时,最好
机器学习初学者
0
谷歌员工爆料Python基础团队原地解散
机器之心报道编辑:蛋酱什么?谷歌解雇了整个 Python 基础团队?「当与你直接共事的每个人,包括你的主管,都被裁员 —— 哦,是职位被削减,而你被要求安排他们的替代者入职,这些人被告知在不同的国家担任同样的职位,但他们并不为此感到高兴,这是很艰难的一天。」发布这一动态的 Thomas Wouter
机器学习初学者
0
学习开放日:开放复杂科学、AI+X 海量学习资源!
Datawhale干货 学习开放日:4月27-28日1. 什么是学习开放日?以AI为代表的技术突飞猛进,人类知识森林快速扩张,仅凭一人之力不仅难以覆盖,更是难以串联知识线索。唯有像蚂蚁探索最优路径一样,我们才能在信息爆炸的知识森林中探索出更好的方向!因此,今年集智斑图联合国内最
Datawhale
1
【深度学习】图解自注意力机制(Self-Attention)
一、注意力机制和自注意力机制的区别Attention机制与Self-Attention机制的区别传统的Attention机制发生在Target的元素和Source中的所有元素之间。简单讲就是说Attention机制中的权重的计算需要Target来参与。即在Encoder-Decoder 模型中,At
机器学习初学者
0
文末送书 | 大模型时代下如何学习云原生
《containerd 原理剖析与实战》新书内购中,点击阅读原文,限时 69.9 元购买。文末免费赠书大模型与云原生近年来,大语言模型的热度可谓是愈发高涨,尤其是今年年初 Sora 的出现,更是让全球再次看到了AIGC 的巨大威力。Sora 生成实例视频---几头巨大的长毛猛犸踏着积雪的草地而来在当
云原生实验室
10
轻松学习C#:百度行驶证C++离线SDK接入详解
效果 先看最终效果SDK 拿到完整包如图,687M解压后看看内容发现有个readme.txt,那就先看看内容1:用vs2015打开sln工程,最好用vs2015 comunity版本,可微软官网下载。2:sdk的doc目录有pdf接口文档。3:工程总入口main.cpp、请参考示例实现您的功能。4:
DotNet NB
9
日语五十音图学习难吗?
学习日语的初学者们都知道,我们学习日语最初就必须要接触日语五十音图,虽然相对其他语言来说,五十音图挺不是很难学,但是很多初学者可能会记不住,别担心,老师为大家带来了学习经验分享,一起来看看吧!五十音图就是日语最基础的基础,也就是地基。由于日语的元音比较单调,只有a/i/u/e/o这五种,再和各种辅音
python教程
0