机器学习术语

机器学习子类别

监督机器学习使用一组输入变量来预测输出变量的值。

无监督机器学习，使用任何未标记数据集中的模式，尝试理解数据中的模式（或分组）。

机器学习有两个主要阶段：

1.训练:
输入数据用于计算模型的参数。

2.推理:
"trained" 模型从任何输入输出正确的数据。

模型定义标签 (y) 和特征 (x) 之间的关系。

模型的生命周期分为三个阶段：

训练的目标是创建一个可以回答问题的模型。比如房子的预期价格是多少？

推理是指使用经过训练的模型使用实时数据来推断（预测）值。就像将模型投入生产一样。

监督学习用途标记数据（具有已知答案的数据）训练算法：

监督学习可以分类诸如 "What is spam in an e-mail" 之类的数据，基于已知的垃圾邮件示例。

监督学习可以预测结果例如根据您播放过的视频预测您喜欢哪种视频。

无监督学习用于预测未定义的关系，例如数据中有意义的模式。

它是关于创建能够自我改进的计算机算法。

预计机器学习将转向无监督学习，让程序员无需创建模型即可解决问题。

强化学习基于无监督学习，但接收用户的反馈，无论决策是好还是坏。反馈有助于改进模型。

自监督学习与无监督学习类似，因为它只处理没有人工添加标签的数据。

不同之处在于，无监督学习使用聚类、分组和降维，而自监督学习则针对回归和分类任务得出自己的结论。

钥匙机器学习术语是：

机器学习系统用途人际关系之间输入生产预测。

在代数中，关系通常写为y = ax + b:

对于 ML，关系可以写为y = b + wx:

在机器学习术语中，标签是我们想要的预测。

它就像y在线性图中：

代数	机器学习
y= 斧头 + b	y= b + wx

在机器学习术语中，特征是输入。

他们就像X线性图中的值：

代数	机器学习
y = aX+ b	y = b + wX

有时可能有许多具有不同权重的特征（输入值）：

y = b + w₁X₁+ w₂X₂+ w₃X₃+ w₄X₄