Python機器學習之基礎概述

一、基礎概述

  • 機器學習(Machine Learing)是一門多領域交叉學科,涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。
  • 機器學習專門研究計算機怎樣模擬或實現人類的學習行為,以便獲取新的知識和技能,重新組織已有的知識結構使之不斷改善自身的性能。
  • 機器學習是人工智能的核心,是計算機具有智能的根本途徑,其應用遍及人工智能的各個領域。
  • 機器學習使用歸納、綜合而不是演繹。

二、算法分類

按照學習方式

  • 監督學習

在這裡插入圖片描述

  • 半監督學習

在這裡插入圖片描述

  • 無監督學習

在這裡插入圖片描述

  • 強化學習

在這裡插入圖片描述

按照算法相似性

  • 回歸算法

在這裡插入圖片描述

  • 聚類算法

在這裡插入圖片描述

  • 降維算法

在這裡插入圖片描述

  • 深度學習

在這裡插入圖片描述

  • 集成算法

在這裡插入圖片描述

  • 正則化算法

在這裡插入圖片描述

  • 決策樹算法

在這裡插入圖片描述

  • 貝葉斯算法

在這裡插入圖片描述

  • 關聯規則學習

在這裡插入圖片描述

  • 人工神經網絡

在這裡插入圖片描述

  • 基於核的算法

在這裡插入圖片描述

  • 基於實例的算法

在這裡插入圖片描述

三、研究內容

機器學習領域的研究工作主要圍繞以下三個方面

  • 面向任務的研究,研究和分析改進一組預定任務的執行性能的學習系統。
  • 認知模型,研究人類學習過程並進行計算機的模擬。
  • 理論分析,從理論上探索各種可能的學習方法和獨立於應用領域的算法。

到此這篇關於Python機器學習之基礎概述的文章就介紹到這瞭,更多相關Python機器學習內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: