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

• 半監督學習

• 無監督學習

• 強化學習

按照算法相似性

• 回歸算法

• 聚類算法

• 降維算法

• 深度學習

• 集成算法

• 正則化算法

• 決策樹算法

• 貝葉斯算法

• 關聯規則學習

• 人工神經網絡

• 基於核的算法

• 基於實例的算法

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：

• Docker Machine深入詳解
• python虛擬機解釋器及運行過程
• Python設計模式中的狀態模式你瞭解嗎
• python狀態機transitions庫詳解
• 關於windos10環境下編譯python3版pjsua庫的問題