Vue d'ensemble

Machine d'apprentissage, ML) est un système pour réorganiser des informations et des données via des programmes informatiques et utilisez des algorithmes pour optimiser leurs propres performances. Moteurs de recherche, recommande le contenu, le flux d'informations, la publicité en ligne, V.V ... Il a été le domaine d'application traditionnel des algorithmes de machines. Dans le même temps, l'application de la machine est toujours en expansion.

Actuellement, de nombreux produits, des activités qui doivent être effectuées autour du système d'algorithme de la machine et que le système d'algorithme est devenu la compétitivité de base de nombreux produits. Dans un tel contexte, de tourner beaucoup plus que la logique d'algorithme, il est nécessaire de comprendre la logique de base de l'algorithme de la machine.

Apprendre la machine est la première fois dans tous les processus et machines d'apprentissage qui ont obtenu une logique d'apprentissage de base. Il peut supporter certaines règles des expériences passées, tandis que ces lois s'appliquent à l'avenir.

Tom m.Mitchell fournit la joueY pour apprendre une définition dans son livre "Machine d'apprentissage":

"Pour une certaine t Publié T et certaines performances, si un programme informatique s'améliore par une mesure avec une mesure P avec l'expérience E, puis nous appelons ce programme informatique Dans cette définition, vous pouvez voir la machine d'apprentissage. Point principal: tâche (T-T mission), indice de performance (données de performance p), données historiques (expérience E)
pour un certain type de tâche, en apprenant constamment des données pour optimiser les indicateurs de performance de cette tâche, il s'agit de la logique principale de l'algorithme d'apprentissage en cours.
Deuxièmement, le système d'apprentissage de la machine
comprend des données, des modèles algorithmiques Résultats de l'évaluation et des calculs de modèle.

Le point de départ du système d'apprentissage est des données. Une fois les résultats de calcul sont présentés aux utilisateurs ou aux systèmes, les données comportementales de l'utilisateur seront fournies, Entrez le modèle. Ceci est le processus de base d'apprendre la machine, comme indiquéCi-dessous:

Les données sont le point de départ du système d'apprentissage. Le principe que le système d'apprentissage de la machine puisse être prêt à suffire pour rendre le système prendre des décisions.

Pour déterminer quel problème peut être résolu en apprenant la machine, mais cela doit voir s'il peut collecter suffisamment de données pertinentes.

Exemple: Tous les utilisateurs parcourent les données comportementales sur le contenu, peuvent être évaluées par une priorité de lecture spécifique d'un utilisateur spécifique. Tous les navigations et cliquent sur les données comportementales de l'utilisateur sont destinés à l'expression des préférences personnelles, tandis que d'autres utilisateurs peuvent servir de base à ce comportement de l'utilisateur spéculer. Les algorithmes de construction doivent déterminer si les données répondent aux besoins des algorithmes de construction de nombreux angles.

Après la détermination des données peut construire le modèle de machine pour résoudre les problèmes commerciaux, atteindre la phase de construction de modèles. Dans la construction d'un modèleNH ALGORITHM, l'étape la plus importante consiste à résumer le problème de l'apprentissage de la machine. Les algorithmes de machines effectuent généralement des hypothèses de modèle pour des situations réelles, qui contient un numéro de paramètre spécifié, le modèle de modélisation consiste à trouver une hypothèse de modèle pratique et cadavre. Paramètres raisonnables via des algorithmes répétitifs.

Sur la base de la connaissance des affaires et des algorithmes, le processus de construction du modèle sera beaucoup, mais le modèle ne peut pas être construit en douceur en l'absence le prix. Évaluer le modèle équivalent aux tests de qualité, garantissant la qualité des sorties de modèles, empêchant ainsi un problème d'expérience significatif après en ligne. Le problème trouvé dans l'évaluation du modèle est également une base importante pour optimiser le modèle.

Après avoir terminé l'évaluation du modèle, les résultats de calcul du modèle d'apprentissage peuvent être exportés en ligne. Ces calculs seront éventuellement vérifiés dans l'utilisation des utilisateurs. réMatériaux en ligne reflète en réalité l'effet après que le modèle en ligne et les données en ligne deviennent les données des itérations de modélisation suivantes, formant ainsi une boucle fermée complète.

Alors que différents algorithmes ont des méthodes de déploiement différentes, la plupart des algorithmes de machines sont fondamentalement construits à partir de ces modules.
Mardi, 5 algorithmes collégiaux et typique

Pedro Domingos dans "l'algorithme terminal" dans "l'algorithme terminal", cinq universités également sur le muscle La version comprend des algorithmes d'apprentissage principaux actuels . Ensuite, l'algorithme typique de ces cinq écoles sera introduit.

1. Maisons de connexion

L'idée principale de l'école générale est de tirer des connaissances à travers la connexion entre les cellules nerveuses. L'école générale a un peu similaire à la technique inverse du cerveau, dans l'espoir d'obtenir le résultat d'un réseau nerveux artificiel. Il apprend actuellement la machine la plus chaude, le réseau nerveux et lesC Appuyez sur une base profondément sur la base du réseau nerveux appartient au champ articulaire.

Le réseau nerveux artificiel est des algorithmes d'apprentissage non linéaire, similaires aux cellules nerveuses biologiques, y compris plusieurs boutons. Le nom de chaque noeud du réseau nerveux utilise également le concept de réseau nerveux en biologie, également appelé inquiet. La structure des cellules nerveuses biologiques et des neurones mathématiques est indiquée ci-dessous.
Dans le réseau de biologie neurologique, un grand nombre de Dendrites collectionne les signes d'électricité stimulées et ces signaux sont traités dans un nouveau signal électrique et traversent les axes.

Neurodias artificielles est également une structure et plusieurs paramètres traités dans des cellules et des sorties nerveuses pour le nœud suivant. Chaque bouton utilise la fonction sigmoïde pour effectuer le traitement des paramètres, comme indiqué ci-dessous:

Dans un réseau neurologique multicouche, chaque cellule nerveuse est égale à ce modèle, les données sont p.En continu, et le résultat du calcul final est la sortie. Comme indiqué dans l'image ci-dessous est un réseau nerveux artificiel typique.

Les méthodes d'optimisation spécifiques ne divulguent pas des descriptions ici et les lecteurs intéressés peuvent voir des informations connexes.

Il convient de mentionner que la fonction sigmoïde est fonction d'un champ très courant dans l'algorithme, qui peut cartographier des variables sans limites (0, 1), caractéristique de cette fonction. De nombreuses stratégies d'algorithme sont utilisées dans les réseaux neurologiques, exactement parce que les boutons utilisent cette fonction pour garantir que différents types de données peuvent être compatibles. La courbe de fonctions sigmoïdes est indiquée ci-dessous:
Sur la base d'un tel procédé, différents types de modèles de réseau neurologique peuvent être construits et le modèle réseau nerveux peut être compatible avec de nombreux types de données. Une variété d'applications, y compris des systèmes de distribution d'informations en ligne, une identification d'image, une traduction, V.V.

TousToutefois, ces algorithmes ont également des problèmes clairs - le niveau d'explication du modèle, le modèle est relativement élevé. Par conséquent, l'algorithme nerveux s'applique aux entreprises avec de grandes données et sans plusieurs algorithmes.

2. Symbole

Icône résolvant le problème en formant des règles explicatives. Les peintres se concentrent sur le raisonnement logique, en utilisant une formation de données passée, en plaçant un ensemble de règles, prédisant et évaluant l'avenir. La décision d'arbre et de nombreux almits de machine pour décisions sont des symboles.

L'algorithme d'arbre de décision est une méthode de classification typique et l'un des algorithmes communs dans l'exploitation minière de données. L'utilisation d'un algorithme sommaire dans la prise de décision peut créer des décisions lisibles, cette règle de décision peut être classée et prédite des cas possibles.

L'algorithme d'arbres décide très proche du processus décisionnel de la population et de nombreux niveaux de normes deTout le monde peut comprendre qu'un arbre décisif est produit.

Avec l'entretien du responsable du produit, comme exemple d'expliquer le modèle des arbres de décision, supposons que les caractéristiques des trois candidats puissent être établies par dialogue: points de politique, points de vue de l'apprentissage , Points de capacité collaborative et affirment que les candidats sont adoptés par ces trois caractéristiques. Après cela, ce processus de décision peut être présenté ci-dessous:

Il s'agit d'un processus décisif normalisé et de plantes décisives normalisées grâce à l'utilisation de la structure maléfique de l'histoire des cas futurs. La méthode de décision automatique consiste à déterminer l'emplacement de chaque propriété dans l'arbre de décision.

En cours de création de l'ensemble de l'arbre de décision, à partir du bouton racine, le bouton a la plus forte augmentation de l'information une fois et l'arbre de décision est terminé. Pour prévenir excessivement, un certain algorithme de règles sera utilisé pour réduire les arbres de décision, par exemple seulementH Le taux d'amplification minimal du nœud supplémentaire est créé, moins d'une certaine valeur ne crée pas le sous-bouton.

L'arborescence décisive est l'un des algorithmes généraux des classifications multicouches. De nombreux alphabétiques utilisent un modèle d'arbre décisif pour construire un modèle supérieur. D'autres modèles d'algorithme relatifs, processus décisionnels pour les arbres à décider près de la situation plus réelle et des règles d'arbre de décision peuvent également nous aider à mieux comprendre les affaires.
3. Evolution
La chimie est un modèle de construction de la base théorique de la génétique et de l'évolution biologique. La méthode de base est que les critères d'évaluation et la méthode évolutive de la solution d'algorithme et une solution optimale continue sont un algorithme répété dans le système. Cette année, l'augmentation du renforcement est le représentant de la chimie.

Ces dernières années, la vague d'apprentissage a participé au domaine de la vision publique et de l'actualité d'AlphagoVaincu Li Shi Shi et Ke Jie's News. Beaucoup de gens ne savent pas - après avoir vaincu Kege, Deepmind a lancé une nouvelle version d'Artificial Intelligence Alphago Zero a jeté l'expérience de l'expérience humaine, il s'agit d'une application typique de l'amélioration de l'apprentissage.

Améliorer l'apprentissage est une manière systématique avec les erreurs de test et les stratégies de formation grâce à une interaction et à l'environnement continu. Dans le système, vous devez construire un environnement qui peut interagir constamment avec le système, évaluer toutes les actions du système et ajuster en permanence les meilleures politiques d'action en vertu des récompenses de chaque action (marque améliorée des crédits). Ceci est une carte interactive d'informations typiques.

Spécifique dans les scènes va, gagnant et négatif et la situation de chaque match du jeu est un signal de récompense et une pénalité du système, chaque étape est un mouvement, fantastique sur le jeu du jeu est le système environnemental.

ALGORITHM NLes titres ont de nombreuses applications dans l'industrie, telles que l'algorithme proposé sur la base de l'amélioration de l'apprentissage. Dans le contexte réel, l'environnement faisant face à un algorithme est souvent incertain. Pas comme les règles en cours, il est toujours corrigé. Pour faire face à ce problème, l'algorithme doit résumer le problème réel en tant qu'envirement virtuel stable, qui consiste également à former un système de simulation, qui est également l'étape la plus difficile dans le renforcement des algorithmes d'apprentissage.

Le système de simulation n'est pas un nouveau concept. Toute l'aérospatiale doit vérifier l'aérodynamisme dans le ciel et utilisera le système de tunnel éolien. Simulation de situations. Le système d'algorithme doit être construit est un trou de vent en ligne.

L'augmentation des inconvénients actuels est également claire, l'algorithme dépend beaucoup de la construction d'un système de simulation limité, le script d'application est limité et est compliqué et non interrompu et une grande quantité de ressources et une grande quantité de ressources sont nécessaire.

mais augmenté cLe processus d'apprentissage d'apprentissage est très similaire à l'évolution biologique, la nature humaine est également une intelligence avancée qui existe et prospéré dans cet environnement. Il peut améliorer la croissance future de l'apprentissage, elle peut vraiment promouvoir des niveaux plus élevés d'apprentissage de la machine.
4. Bayes

École

L'école bayésienne se concentre sur la probabilité de recherche sur la théorie et l'utilisation de Bayésien pour résoudre le problème. Le noyau du théorème de Bayes est la spéculation de probabilité de gestion des probabilités, à la mise à jour en permanence de l'estimation initiale de la probabilité par de nouvelles données. L'algorithme de Bayes est simplement l'algorithme typique de l'école bayésienne, les applications typiques sont des systèmes de filtration de spam.

Avant d'introduire le simple algorithme de baies, il a brièvement introduit les baies plus bas du théorème. Les théorèmes bayésiens sont théorèmes pour calculer deux conditions d'événement aléatoires. Par exemple, pour les événements aléatoires A et B, les mathématiques du théorème de Bayes sont décrites comme suit:

Bayes Theorem est mécaniqueDépartement de construire un algorithme de soufflet simple. L'algorithme est introduit en arrière-plan du filtre de courrier:

Si nous avons une série de spam connue, nous pouvons connaître des caractéristiques typiques du spam. Ensuite, si nous connaissons les caractéristiques et le spam contenant des fonctionnalités et du spam, nous pouvons créer une forte probabilité que cet e-mail soit spam.

De nombreux algorithmes seront donnés autour du théorème bayésien et de Bayes un seul représentant. Les algorithmes de baies sont également quelques algorithmes pouvant également être appliqués à des données à petite échelle. Master Outils of Bayes Theorem, a une pression importante pour les données et les travaux stratégiques.
5. Substances similaires
Le noyau de la section Education de la classe est la méthode la plus proche et des données non définies estimées par des similitudes similaires, des données connues avec des données voisines. Certaines recommandations traditionnelles sont des applications typiques de cours. ArgentLes mathématiques typiques des classes éducatives sont un modèle d'élément latent, LFM. La meilleure pratique de cet algorithme est également dans le système proposé.

Le point de départ de l'algorithme proposé est les données comportementales de l'utilisateur. Si les utilisateurs et les articles ont un comportement fort plus fort. L'algorithme est proposé en fonction de l'espace des données comportementales de l'utilisateur pour compléter le tableau ci-dessous. Ce modèle est vraiment la matrice "utilisateur ×".

Nous sommes déterminés sur la base de vos propres préférences ou de contenu lors de la sélection des éléments ou du contenu.

Obtenez des vêtements, certaines personnes s'intéressent aux couleurs, certaines personnes sont de style, certaines personnes s'intéressent aux prix, certaines personnes se soucient de certaines personnes. Lorsque les gens choisissent beaucoup de facteurs, chaque facteur a une priorité psychologique. Le tableau ci-dessous est la matrice "utilisateur × priorité".

éléments ou un contenu différent différent de ces options. Niveau d'éléments et options nCela formera également une matrice de "option × élément", comme indiqué dans le tableau suivant:

Tout, nous devons utiliser "User × matrix" pensant que la méthode de matrice de construction "Utilisateur × priorité" et matrice "Favoris". Après avoir obtenu ces deux matrices, les procédés de poids linéaire peuvent être utilisés pour calculer les recommandations d'utilisateurs et d'éléments.

LFM est un tel algorithme deux matrices potentielles construites par un gradient aléatoire et une valeur recommandée des éléments déficients de l'air calculés avec cette matrice. Comme indiqué ci-dessous, il s'agit du résultat proposé des données ci-dessus.

Dans les données d'origine, les utilisateurs 7 et 8 utilisateurs similaires, comme indiqué dans le tableau suivant:

Les recommandations de la section des résultats proposés. des 7 utilisateurs 7 et 8 utilisateurs sont relativement similaires, comme suit:

Quatrièmement, résumée

introduisant des idéesÀ propos des algorithmes d'apprentissage de base de la machine et introduisent également des algorithmes de base, l'algorithme a introduit des idées, si vous devez en savoir plus, vous pouvez interroger des informations publiques.

Ces algorithmes sont basés sur ces algorithmes et différents algorithmes sont éliminés sur la base de ces algorithmes. Sur les applications TET réelles, une variété d'algorithmes sont souvent utilisées, jouant ainsi plus d'effets.

Calcul de l'apprentissage de la machine n'ouvre pas le modèle, ces hypothèses contiennent des paramètres définis. Chaque hypothèse est une abstraction de la situation réelle. Chaque paramètre est un processus idéalisé pour le modèle. Ces hypothèses et paramètres font le jeu de modèles et les modèles et les réels sont différents.

Mais ces "différences" n'affectent pas la résolution de problèmes pratiques, comme George Box, des statistiques ", tous les modèles sont faux, mais un modèle utile". Nous devons comprendre la cause et l'influenceVenez la gamme entre le modèle et la réelle et déterminez la portée de l'application du modèle.

est le principe de base de l'algorithme du gestionnaire de produits, doit comprendre le modèle. Ce n'est qu'à cette manière, vous pouvez intégrer de meilleures entreprises dans un système d'algorithmes, sinon il est facile de devenir des étiquettes artificielles d'algorithmes et d'une collection de coquilles.

Pour introduire des connaissances d'apprentissage, cet article implique définitivement une logique mathématique, ou de nombreux gestionnaires de produits se sentent difficiles, mais cela ne fait que apprendre la machine. Le sommet de l'iceberg. Nous choisissons toujours de le faire correctement, pas simple.

Les gestionnaires de produits doivent rester dans l'intersection de la technologie et de l'humanité. C'est donc la base de la technologie la plus récente est la seule façon de gérer les produits.