继夫的玩弄H辣文的小说|女人与拘性猛交视频|精品欧美高清不卡高清|一起做亏亏的事情的视频|啦啦啦在线视频观看|望月直播下载ios版本|国产日韩欧美一区二区三区

  1. 首頁 > 生活 > >

機(jī)器學(xué)習(xí)的優(yōu)缺點(diǎn)是什么？

生活百科機(jī)器

許多人將機(jī)器學(xué)習(xí)視為通向人工智能的途徑，但是對(duì)于統(tǒng)計(jì)學(xué)家或商人而言深度學(xué)習(xí) 人工智能，機(jī)器學(xué)習(xí)也可以是一種強(qiáng)大的工具，可以實(shí)現(xiàn)前所未有的預(yù)測(cè)結(jié)果 。
為什么機(jī)器學(xué)習(xí)如此重要?
在開始學(xué)習(xí)之前，我們想花一些時(shí)間強(qiáng)調(diào)WHY機(jī)器學(xué)習(xí)非常重要 。
總之 ， 每個(gè)人都知道人工智能或人工智能 。通常 ， 當(dāng)我們聽到AI時(shí)，我們會(huì)想象機(jī)器人到處走動(dòng)，執(zhí)行與人類相同的任務(wù) 。但是，我們必須了解，雖然有些任務(wù)很容易 ， 但有些任務(wù)卻很困難，并且距離擁有像人類一樣的機(jī)器人還有很長(zhǎng)的路要走 。
但是 ， 機(jī)器學(xué)習(xí)是非常真實(shí)的并且已經(jīng)存在 。它可以被視為AI的一部分，因?yàn)楫?dāng)我們想到AI時(shí)，我們想象的大部分內(nèi)容都是基于機(jī)器學(xué)習(xí)的 。
在過去，我們相信未來的這些機(jī)器人將需要向我們學(xué)習(xí)一切 。但是人腦是復(fù)雜的 ， 并且并非可以輕松描述其協(xié)調(diào)的所有動(dòng)作和活動(dòng) 。1959年，亞瑟·塞繆爾( )提出了一個(gè)絕妙的主意，即我們不需要教計(jì)算機(jī) ， 但我們應(yīng)該讓他們自己學(xué)習(xí) 。塞繆爾()也創(chuàng)造了“機(jī)器學(xué)習(xí)”一詞 ， 從那時(shí)起，當(dāng)我們談?wù)摍C(jī)器學(xué)習(xí)過程時(shí)，我們指的是計(jì)算機(jī)自主學(xué)習(xí)的能力 。
機(jī)器學(xué)習(xí)有哪些應(yīng)用?
在準(zhǔn)備這篇文章的內(nèi)容時(shí)，我寫下了沒有進(jìn)一步說明的示例，假定所有人都熟悉它們 。然后我想：人們知道這些是機(jī)器學(xué)習(xí)的例子嗎?
【機(jī)器學(xué)習(xí)的優(yōu)缺點(diǎn)是什么？】讓我們考慮一些 。
自然語言處理 ， 例如翻譯 。如果您認(rèn)為百度翻譯是一本非常好的字典 ， 請(qǐng)?jiān)倏紤]一下 。百度翻譯本質(zhì)上是一組機(jī)器學(xué)習(xí)算法 。百度不需要更新百度 ;它會(huì)根據(jù)不同單詞的使用情況自動(dòng)更新 。
哦，哇 還有什么?
雖然仍然是主題，但Siri，Alexa，都是語音識(shí)別和合成的實(shí)例 。有些技術(shù)可以使這些助手識(shí)別或發(fā)音以前從未聽過的單詞 。他們現(xiàn)在能做的事令人難以置信，但在不久的將來，它們將給人留下深刻的印象!
SPAM過濾 。令人印象深刻 ， 但值得注意的是 ， SPAM不再遵循一組規(guī)則 。它自己了解了什么是垃圾郵件，什么不是垃圾郵件 。
推薦系統(tǒng) 。，淘寶，。推薦給您的所有內(nèi)容都取決于您的搜索活動(dòng)，喜歡，以前的行為等等 。一個(gè)人不可能像這些網(wǎng)站一樣提出適合您的推薦 。最重要的是 ， 他們跨平臺(tái) ， 跨設(shè)備和跨應(yīng)用程序執(zhí)行此操作 。盡管有些人認(rèn)為它是侵入性的，但通常情況下，數(shù)據(jù)不是由人處理的 。通常 ， 它是如此復(fù)雜 ， 以至于人類無法掌握它 。但是，機(jī)器將賣方與買方配對(duì)，將電影與潛在觀眾配對(duì) ， 將照片與希望觀看的人配對(duì) 。這極大地改善了我們的生活 。
說到這，淘寶擁有如此出色的機(jī)器學(xué)習(xí)算法，它們可以高度確定地預(yù)測(cè)您將購買什么以及何時(shí)購買 。那么，他們?nèi)绾翁幚磉@些信息?他們將產(chǎn)品運(yùn)送到最近的倉庫，因此您可以在當(dāng)天訂購并收到產(chǎn)品 。難以置信!
金融機(jī)器學(xué)習(xí)
我們名單上的下一個(gè)是金融交易 。交易涉及隨機(jī)行為 ， 不斷變化的數(shù)據(jù)以及從政治到司法的各種因素，這些因素與傳統(tǒng)金融相距甚遠(yuǎn) 。盡管金融家無法預(yù)測(cè)很多這種行為，但是機(jī)器學(xué)習(xí)算法會(huì)照顧到這種情況，并且對(duì)市場(chǎng)的變化做出響應(yīng)的速度比人們想象的要快 。
這些都是業(yè)務(wù)實(shí)現(xiàn)，但還有更多 。您可以預(yù)測(cè)員工是否會(huì)留在公司或離開公司，或者可以確定客戶是否值得您光顧-他們可能會(huì)從競(jìng)爭(zhēng)對(duì)手那里購買還是根本不購買 。您可以優(yōu)化流程，預(yù)測(cè)銷售 ， 發(fā)現(xiàn)隱藏的機(jī)會(huì) 。機(jī)器學(xué)習(xí)為機(jī)會(huì)開辟了一個(gè)全新的世界，對(duì)于在公司戰(zhàn)略部門工作的人們來說，這是一個(gè)夢(mèng)想成真 。
無論如何，這些已在這里使用 。然后，我們將進(jìn)入自動(dòng)駕駛汽車的新境界 。
機(jī)器學(xué)習(xí)算法
直到最近幾年 ， 無人駕駛汽車還是科幻小說 。好吧，不再了 。自動(dòng)駕駛汽車已經(jīng)驅(qū)動(dòng)了數(shù)百萬英里(即使不是數(shù)十億英里) 。那是怎么發(fā)生的?沒有一套規(guī)則 。而是一組機(jī)器學(xué)習(xí)算法，使汽車學(xué)習(xí)了如何極其安全有效地駕駛 。
我們可以繼續(xù)學(xué)習(xí)幾個(gè)小時(shí)，但我相信您的主旨是：“為什么要使用機(jī)器學(xué)習(xí)” 。
因此，對(duì)您來說，這不是為什么的問題，而是如何的問題 。
這就是我們的機(jī)器學(xué)習(xí)課程所要解決的問題 。蓬勃發(fā)展的數(shù)據(jù)科學(xué)事業(yè)中最重要的技能之一-如何創(chuàng)建機(jī)器學(xué)習(xí)算法!
如何創(chuàng)建機(jī)器學(xué)習(xí)算法?
假設(shè)我們已經(jīng)提供了輸入數(shù)據(jù) ， 創(chuàng)建機(jī)器學(xué)習(xí)算法最終意味著建立一個(gè)輸出正確信息的模型 。
現(xiàn)在，將此模型視為黑匣子 。我們提供輸入 ， 并提供輸出 。例如，考慮到過去幾天的氣象信息，我們可能想創(chuàng)建一個(gè)預(yù)測(cè)明天天氣的模型 。我們將輸入模型的輸入可以是度量，例如溫度 ， 濕度和降水 。我們將獲得的輸出將是明天的天氣預(yù)報(bào) 。
現(xiàn)在，在對(duì)模型的輸出感到滿意和自信之前，我們必須訓(xùn)練模型 。訓(xùn)練是機(jī)器學(xué)習(xí)中的核心概念，因?yàn)檫@是模型學(xué)習(xí)如何理解輸入數(shù)據(jù)的過程 。訓(xùn)練完模型后，我們可以簡(jiǎn)單地將其輸入數(shù)據(jù)并獲得輸出 。
如何訓(xùn)練機(jī)器學(xué)習(xí)算法?
訓(xùn)練算法背后的基本邏輯涉及四個(gè)要素：
a.數(shù)據(jù)
b.模型
c.目標(biāo)函數(shù)
d.優(yōu)化算法
讓我們探索每個(gè) 。
首先，我們必須準(zhǔn)備一定數(shù)量的數(shù)據(jù)進(jìn)行訓(xùn)練 。
通常，這是歷史數(shù)據(jù) ， 很容易獲得 。
其次，我們需要一個(gè)模型 。
我們可以訓(xùn)練的最簡(jiǎn)單模型是線性模型 。在天氣預(yù)報(bào)示例中，這將意味著找到一些系數(shù)，將每個(gè)變量與它們相乘 ， 然后將所有結(jié)果求和以得到輸出 。但是，正如我們稍后將看到的那樣 ， 線性模型只是冰山一角 。依靠線性模型，深度機(jī)器學(xué)習(xí)使我們可以創(chuàng)建復(fù)雜的非線性模型 。它們通常比簡(jiǎn)單的線性關(guān)系更好地?cái)M合數(shù)據(jù) 。
第三個(gè)要素是目標(biāo)函數(shù) 。
到目前為止，我們獲取了數(shù)據(jù)，并將其輸入到模型中，并獲得了輸出 。當(dāng)然，我們希望此輸出盡可能接近實(shí)際情況 。大數(shù)據(jù)分析機(jī)器學(xué)習(xí)AI入門指南這就是目標(biāo)函數(shù)出現(xiàn)的地方 。它估計(jì)平均而言，模型輸出的正確性 。整個(gè)機(jī)器學(xué)習(xí)框架歸結(jié)為優(yōu)化此功能 。例如，如果我們的函數(shù)正在測(cè)量模型的預(yù)測(cè)誤差 ， 則我們希望將該誤差最小化深度學(xué)習(xí) 人工智能，或者換句話說，將目標(biāo)函數(shù)最小化 。
我們最后的要素是優(yōu)化算法 。它由機(jī)制組成，通過這些機(jī)制我們可以更改模型的參數(shù)以優(yōu)化目標(biāo)函數(shù) 。例如，如果我們的天氣預(yù)報(bào)模型為：
明天的天氣等于：W1乘以溫度，W2乘以濕度，優(yōu)化算法可能會(huì)經(jīng)過以下值：
W1和W2是將更改的參數(shù) 。對(duì)于每組參數(shù)，我們將計(jì)算目標(biāo)函數(shù) 。然后，我們將選擇具有最高預(yù)測(cè)能力的模型 。我們?cè)趺粗滥囊粋€(gè)最好?好吧，那將是具有最佳目標(biāo)函數(shù)的那個(gè)，不是嗎?好的 。大!
您是否注意到我們說了四個(gè)成分，而不是說了四個(gè)步驟?這是有意的，因?yàn)闄C(jī)器學(xué)習(xí)過程是迭代的 。我們將數(shù)據(jù)輸入模型，并通過目標(biāo)函數(shù)比較準(zhǔn)確性 。然后 ， 我們更改模型的參數(shù)并重復(fù)操作 。當(dāng)我們達(dá)到無法再優(yōu)化或不需要優(yōu)化的程度時(shí)，我們將停止 ， 因?yàn)槲覀円呀?jīng)找到了解決問題的足夠好的解決方案 。
本文到此結(jié)束 ， 希望對(duì)大家有所幫助 。