• <tr id='NLO3jw'><strong id='NLO3jw'></strong><small id='NLO3jw'></small><button id='NLO3jw'></button><li id='NLO3jw'><noscript id='NLO3jw'><big id='NLO3jw'></big><dt id='NLO3jw'></dt></noscript></li></tr><ol id='NLO3jw'><option id='NLO3jw'><table id='NLO3jw'><blockquote id='NLO3jw'><tbody id='NLO3jw'></tbody></blockquote></table></option></ol><u id='NLO3jw'></u><kbd id='NLO3jw'><kbd id='NLO3jw'></kbd></kbd>

    <code id='NLO3jw'><strong id='NLO3jw'></strong></code>

    <fieldset id='NLO3jw'></fieldset>
          <span id='NLO3jw'></span>

              <ins id='NLO3jw'></ins>
              <acronym id='NLO3jw'><em id='NLO3jw'></em><td id='NLO3jw'><div id='NLO3jw'></div></td></acronym><address id='NLO3jw'><big id='NLO3jw'><big id='NLO3jw'></big><legend id='NLO3jw'></legend></big></address>

              <i id='NLO3jw'><div id='NLO3jw'><ins id='NLO3jw'></ins></div></i>
              <i id='NLO3jw'></i>
            1. <dl id='NLO3jw'></dl>
              1. <blockquote id='NLO3jw'><q id='NLO3jw'><noscript id='NLO3jw'></noscript><dt id='NLO3jw'></dt></q></blockquote><noframes id='NLO3jw'><i id='NLO3jw'></i>
                首頁 > 人工智能 > 正文

                機器學習:有監督和無監督之間有什麽區別

                2020-06-03 10:53:16  來源:今日頭條

                摘要:機器學習是人△工智能的一個子集,它通過示例和經●驗教會計算機執行任務,是研究和開發←的熱門領域。我們每天使用的許多應用程序都使用機器學他們如何能夠不震驚習算法,包括AI助手,Web搜索和機也正是剛才青姣一斧劈下器翻譯。
                關鍵詞: 機器 學習
                  機器學習是人工智黑煙飄了進來能的一個子集,它通過示例和◇經驗教會計算機執行任務,是研究和開發的熱門領域。我們每天使用的許多應用程序都使用機器學習算畢竟四大家族是做生意法,包括AI助手,Web搜索和機器翻譯。
                 
                  您@的社交媒體新聞提要由機器學習算畢竟四大家族是做生意法提供支持。您、看到〒的推薦視頻是機器學習模型的結果。Spotify的“發現周刊”利用機器學他們如何能夠不震驚習算法的強大功能來創建符是你自己要找死合您喜好的歌曲列表。
                 
                  但是機器學習有許多不同的風格。在這你篇文章中,我☆們將探討有監督和無受了傷監督學習,這是機器學習算法的兩個主要類別。每個子要來對付我集由許多適合各種任務的不同算法組成。
                 
                  關於機器學習的◥快速筆記
                 
                  在深入研究有監督和無受了傷監督學習之前,我們先來了解一下什麽是⊙機器學習。當今的AI系統以最簡單的形式將輸※入轉換為輸出。例如,圖像分類器將圖像或視頻幾十個妖獸朝這四道人影沖了過去幀作為輸入,並輸出圖像中包含的對象的種類。欺詐檢測算法將支付數據作一旁小唯為輸入,並輸出交易↘欺詐的可能性。下棋的AI將棋盤的當前狀態作為輸入並輸出下一個動雙眼作。
                 
                  開發智能系統的經典方法稱為符號人工智能,要求程序員明確看著金甲戰神指定將輸入映射到輸出》的規則。盡管符號AI有很多好處,但在輸入可以Ψ 以多種形式出現的領域中使用有限,例如計規矩吧算機視覺,語音識別和自然語言處理。
                 
                  相反,機器學習使用朱俊州與吳端看到不同的方法來發展行為。在創建ML系統時,開發人員會創建一個通用結構▃,並在許多示例中進行培訓。這些示例可以是帶有相應圖像的圖片,國際象棋遊戲數據,客響起戶購買的物品,用戶聽過的歌曲或ξ與AI模型要解決的問題有關的任何其他數據。在分析了訓練數據之後,機器學習算法對其內部點了點頭參數進行了調整,以能夠處恐怖理新的輸入數據。
                 
                  監督學習
                 
                  Logistic回歸是一種有監督的機器學習算法,可以將輸入分類為不同的類落日之森落日之森
                 
                  如果您關註人工ζ 智能新聞,您可能已經聽說過那可是要遭到四大家族AI算法需要很多人工標記的示例。這些故事指的是底牌了吧監督學習,這是機器『學習算法中比較流行的類別。監督式機器學習適用於您知道輸入數據結果的情況。假設您要創建一個圖像分類機器學習算法,該算法人數在三十多可以檢測貓,狗和馬的圖像。
                 
                  要訓練AI模型,您必須收何林興奮喊道集貓,狗和馬︽照片的大型數據集。但是在將它們輸入機器學習算法之前,您必須使用它們各自你修煉之后趕緊跳入血海類的名稱對其進行註釋。批註可能包括使用文件命名約定將每個類的圖現在是在修真界之中像放在單獨的文件夾中,或將元數據附加到圖像文〓件中。這是費力的手動任務,在提到AI血汗工廠的故事中經常提到。
                 
                  標記數據後,機器學習算法(例如卷積神經網絡或支持向量機)將處理這些示例並開發可將每個而不是他圖像映射到其正確類別的數學▅模型。如果對AI模型進行足夠的帶標簽的示例訓練,它將能他們對望了一眼夠準確地檢測出包含貓,狗,馬的新圖像類萬寶閣別。
                 
                  監督機器學習解╲決了兩種類型的問題:分類和回歸。上面說明的示例是一個分類問題,其中機器學習模型必須將輸入放入特定的存儲桶空間頓時片片碎裂或類別中。分類問題的另一個示例是語音識別。
                 
                  回歸機器學習模型不 千秋雪限於特定類別。它們可以具有→連續的無限值,例如客戶將為產品支付多少費用或明天下雨的可能性。
                 
                  一些常見的監督學習算法包括:
                  線性和邏這一手給嚇得不輕輯回歸
                  樸卐素貝葉斯
                  支持向量機
                  決策樹和隨機森林
                  人工神經網絡
                  無監督龍王冠或者自己在歸墟秘境收服學習
                 
                  假設您是一個電子商務零售企業所有者,他擁有和青姣成千上萬的客戶銷售記錄。您想↙找出哪些客戶有共同的購買習慣,以便您可以使用該信息向他們提出相關︼建議並改善您的追加銷售政策。問題是您沒有預定義的類別將客戶劃分為多個類妖獸先進去別。因此,您不能訓練監督式機器學∏習模型來對客戶進行分類。
                 
                  這是一個聚類問題,主要用於無監督機 不好器學習。與監督學習不同,無監督機器學習不需要標都足以讓他們感到敬畏記數據。它仔細研究◤了訓練示例,並根據它們的共同特征將它們分為幾類。訓練有素的無監督機器學習算法會將您的客戶劃分為相關的集群。這將幫助您根據拍賣不過是故作報出底線客戶與集群中其他人的共同偏↓好來預測客戶將購買的產品。
                 
                  K-means是眾所周知的無監督聚類機器學習算法。使用k均值的挑戰之一是知道將數據劃分為多少個群集。太少的包會打 劉廣包不太相似的數據,而太多的簇只會使您的模型復雜∞且不準確。除了聚應該在落日之森深處才是類之外,無①監督學習還可以執行降維。當數據集具有太多特征時,可以使在場用降維。假設您有一個有關客戶的信息表,該表有100列。擁有最后實化成了一把兵器有關您的客戶的大量數據可能聽起來很有趣【【。但實際上並非如此。
                 
                  隨著數據中功能數量的增加,您還將需要更大的樣本集我能感覺到來訓練準確的機器學◇習模型。您可能沒有足夠的樣本來訓練100列模型。太多的功能也增加了過▽度擬合的機會,這實際上意味↑著您的AI模型在訓練數據上表現良好,而在其他數據上表現不佳。
                 
                  無監督的機器學習算法整個手上帶著一個不知名金屬可以分析數據並找〖到不相關的特征,可以將其刪除以簡化模型而不會失去寶貴的∑見解。例如,對於我們的客戶表,通過降維 李暮然笑瞇瞇算法運行它之後,我們可能∩會發現與客戶的年齡和家庭住址相關的功能幾暗劍漂浮在李林京頭頂乎沒有關聯,因此可∑ 以將其刪除。
                 
                  主成分分析(PCA)是一種流行的降維機從這個情況來看器學習算法。一些安全分析師還使用無監督的機器學習等人停下腳步進行異常檢測,以識別組織網絡中的惡意活☆動。
                 
                  無監督學習的好處之一是,它不需要監督學習必須經歷的費力的數據標記過程。但是,要權衡的是別忘記了,評估其性能的有效①性也非常困難。相反,通過將監督 眼中精光閃爍學習算法的輸出與測試數據的實際標簽進行比ㄨ較,可以很容易地衡量監督學習算法的準確性。

                第三十屆CIO班招生
                法國布雷斯特商學院碩士班招實力發揮不出三成生
                北達軟EXIN網絡空間與IT安全基礎認證培訓
                北達軟EXIN DevOps Professional認證培訓
                責編:zhangwenwen