机器学习是|我试图解释它容易理解[与Deepler的差异]

ETO,它是在一家正在使用机器学习进行委托开发的公司的运营和工程师(@ AS00812145.)它被称为。

深度学习和机器学习即将推出,但只有单独的言语单独走路和机器学习专门?
我认为很难掌握机器的轮廓,即使用服务并进行服务。

这一次,对于那些想要制作蓬松形象的人来说,我们将解释如何使用机器学习概述的实际使用方法。

机器学习

介绍首先,机器学习是什么?我会解释一下。
机器学习是一种技术,具有基于大量数据查找模式和功能的机制,并自动确定它们。

机器学习的常见概念是创建一种机制(鉴别器)来预测输入数据时的结果。
并且因为输入数据应该具有一些规律性(如分发),因此有一种方法可以学习和学习现有数据并尝试近似其规则性。
只是觉得像一个图表,并认为蓝点是我们所知道的数据,并认为你想要理解的规律是一个红色曲线。

随着这个蓝点的数量增加,您可以看到它接近红色曲线。

事实上,我不知道这种简单的形式,以便找到一个等式的答案,如数学公式,我将搜索数据量的数据量NE的数量。 。

机会学习类别

当众所周知,当机器学习的粗略概念时,我们将解释如何具体预测方式。
我想用粗略的关系图解释。

此外,从现在开始,鉴别者具有确定一些机器学习的机制。这不是AI和人工智能。
它们可能是不同的,因为它们可能是不同的,因为它们在不同的含义和定义中可能是不同的,因此它们被称为判别以避免误解。

基本上,有人在手中以及如何使用它来从该数据中使用它来选择如何创建最终产生的判别类型。
并且,使用这种鉴别者的结果来解决实际问题。
这一次,没有提到如何生成鉴别器。如果有机会令人困惑,我想分开解释它。
因此,我们只会解释鉴别者的类型。

有一位老师

教师在预测数据之前有权提前给出数据,基于它学习,并没有预测和分类数据。
在这种方法中,如果您有足够的数据根据​​目的,可以轻松完成学习,并专注于特定目的,因此可以相对容易地介绍。
现在使用机器学习的服务是教师和学习。

分类

类分类是手中的预粘贴数据,数据是以无论是否对应于标签的形式确定的。
例如,如果你想以照片中的人在笑的形式歧视。
有两个州,“笑”和两个州(标签)。
使用机器学习来确定哪个州是真的。

回归

回归将在学校学习的函数中以数字方式观察。
例如,让我们在机器学习中考虑每年的需求预测。这一次,让我们试着预测有多少需求专门用于股票购买杂项。在这种情况下,我们将预测表单中的特定数值。
与先前的类分类不同,在数值上预测未来的事物时将使用回归。

没有任何

与上述教师不同,它不是从手中的数据朝向目的的目的分析,但它用于了解数据的模式和特征。
因此,它通常以使用这一形式使用,而不是仅使用它,将其带到教师和学习的形式。

聚类

群集是一种方法,可以确定集群(质量)是一个来自手头信息信息的大集群。
但是,通常,实际工作作为单个群集并不有用。
群集用于了解数据的特征,因此很难决定正确的答案,欺诈,很难(如果难以决定如果您正在寻找转售店时难以决定什么样的转售商店)
数据大致分类,并将其特征从那里分离并以教师数据为特征。

神经网络DEEPLER.

轻松接触导致当前AI热潮及其基础。
神经网络是人脑细胞(神经元)作为模型的辨别方法。
接收一个输入并确定它是否符合条件,如果填充,则将其值传送到下一个神经元(点火)
除非你见面,否则无所事事。通过这种方式,我们被点燃的信息将返回输出并从结果中确定。
此外,神经网络本身可以用于两个类分类和回归。

它是非常深入地使该多层的机构的换挡器。

Deeplaning本身的高度崛起是很久以前,但如果有太多层数,还有一个物业在实践的地方无法正常工作。
而且,最近,如果您有一种方法可以随机停止传输到下一个神经元,它不仅可以正常工作,而且它不仅可以正常工作,而且才能正常工作,但在图像和语音等领域,使用机器学习实际上使用机器学习级别连接到当前的AI繁荣。
顺便说一句,如果您申请辍学,如果实际上有用,则尚未在学术社会中阐明。
由于这种实用的技术,Deepler领域通常由像工艺一样的数据科学家的皮肤感。

概括

如果它只是机器学习,神经网络和换倾向往往会引起注意力,
它们不是本质,在方法和程序的一端。
在处理实践实践时,很重要的是要知道如何解决除了DEEPLER之外还可以解决其他解决方案,因此可以掌握机器学习的轮廓以及DEEPLER是否位于。谢谢。

给这篇文章的人

assa

我正在京都做工程师。记得阿萨或八个。 主要业务是网络中的爱好。好的