icode9大数据关键技术：常规机器学习方法

机器学习方法简介

机器学习、人工智能、深度学习是什么关系？

机器学习研究和构建的是一种特殊算法（而非某一个特定的算法），能够让计算机自己在数据中学习从而进行预测。

Arthur Samuel给出的定义指出，机器学习是这样的领域，它赋予计算机学习的能力（这种学习能力）不是通过显著式编程获得的。

不管是机器学习还是深度学习，都属于人工智能（AI）的范畴。所以人工智能、机器学习、深度学习可以用下面的图来表示：

机器学习的基本思路

1.把现实生活中的问题抽象成数学模型，并且很清楚模型中不同参数的作用

2.利用数学方法对这个数学模型进行求解，从而解决现实生活中的问题

3.评估这个数学模型，是否真正的解决了现实生活中的问题，解决的如何？

机器学习分类

监督学习

监督学习：指我们给算法一个数据集，并且给定正确答案。机器通过数据来学习正确答案的计算方法。

这种通过大量人工打标签来帮助机器学习的方式就是监督学习。这种学习方式效果非常好，但是成本也非常高。

监督学习的2个任务：

1.回归：预测连续的、具体的数值。比如：支付宝里的芝麻信用分数

2.分类：对各种事物分门别类，用于离散型预测

“回归”案例：个人信用评估方法——FICO

FICO 评分系统得出的信用分数范围在300～850分之间，分数越高，说明信用风险越小。

非监督学习#

非监督学习中，给定的数据集没有“正确答案”，所有的数据都是一样的。无监督学习的任务是从给定的数据集中，挖掘出潜在的结构。

强化学习

在一个有特定规则的场景下，尤其是游戏。

机器学习实操的步骤

机器学习在实际操作层面一共分为7步：

1. 收集数据
2. 数据准备
3. 选择一个模型
4. 训练
5. 评估
6. 参数调整
7. 预测（开始使用）

本站声明：
1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；

2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；

3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；

4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；

5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。