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