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？
机器学习的特点
机器学习的需要
机器学习的类型
半监督学习
深度学习

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

文章图片
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。

文章图片
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。

文章图片
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。

文章图片
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。

文章图片
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。