Premièrement, vue d'ensemble de l'apprentissage de la machine

1, Qu'est-ce que la machine d'apprentissage?

La machine a été apprise en analysant beaucoup de données. Par exemple, il n'est pas nécessaire d'identifier un chat ou un visage par programmation, peut être formé à l'aide d'une image pour résumer et identifier des objectifs spécifiques.
2, la relation entre l'apprentissage de la machine et l'intelligence artificielle
Machine d'apprentissage de la machine est un modèle d'échantillon dans les données et en utilisant ces modes pour faire des prédictions. Liste des algorithmes. L'apprentissage de la machine fait partie du secteur de l'intelligence artificielle et explore les connaissances et l'exploitation des données d'intersection.
3, Mode de fonctionnement de la machine
1 Sélectionnez Données: Divisez vos données en trois groupes: données de formation, vérification des données et données de test
2 Données de modèle: Utilisez des données de formation pour créer des modèles avec des fonctionnalités associées
3 modèles de vérification: Historique Utilisez vos données de vérification pour accéder au modèleVous
4 modèles de test: Utilisez vos données de test pour vérifier les performances des modèles vérifiés
5 Utilisation du modèle: Utilisez le modèle de creusement à créer de nouvelles données

6 Modèles de réglage: Utilisez plus de données, différentes caractéristiques ou paramètres ajustés pour améliorer les performances de l'algorithme

4, Apprendre la position de la machine
1 Programmation traditionnelle: rédaction de logiciels ingénieur un programme pour résoudre le problème. Il existe plusieurs données → pour résoudre le problème, les ingénieurs du logiciel préparent un processus de manière à ce que la machine sache comment faire → ordinateur selon ce processus, le résultat est le résultat
2 Statistiques: Analyse d'une relation de variable comparative
3 Machine d'apprentissage: Les scientifiques de données utilisent des ensembles de données de formation pour enseigner aux ordinateurs à effectuer, puis le système d'application de la tâche. Premièrement, il existe de grandes données → Machines d'apprentissage Comment utiliser des ensembles de données de formation pour classer,Ajuster des algorithmes spécifiques pour effectuer le tri cible → Cet ordinateur peut apprendre des relations, des tendances et des modes de données
4 Applications intelligentes: Application Pine Minh Résultats obtenus par l'intelligence artificielle, comme indiqué dans l'image est une application pour une agriculture précise, Les applications basées sur les données sont collectées par drone

5, l'application réelle de la machine

Il existe de nombreux scripts d'application, voici quelques exemples,comment l'utilisez-vous?

Maps et modélisation 3D rapides: pour construire des ponts ferroviaires, des scientifiques de données PwC et des experts de domaine appliquent des machines d'apprentissage de la machine aux données collectées par avion sans conducteur. Cette combinaison atteint une surveillance précise et un retour rapide dans le travail réussi.

Analyse avancée Pour minimiser les risques: détecter les transactions internes, PWC intègre des machines d'apprentissage et d'autres techniques d'analyse, à partir duquel développementProfil utilisateur plus complet et profiter de la profondeur plus profonde du comportement suspect plus complexe.

Performances prédites cibles optimales: PWC utilise l'apprentissage de la machine et d'autres méthodes d'analyse pour évaluer le potentiel de différents chevaux sur la Coupe de Melbourne.
Lundi, le développement de la machine



pendant des décennies, différentes "tribus" des chercheurs de sagesse artificielle sont toujours concurrents pour les meilleurs droits. Est-ce que ces tribus sont générales? Ils devraient peut-être le faire, car la coopération et l'intégration des algorithmes sont le seul moyen de réaliser réellement la sagesse artificielle réelle ~ Agi ~. Ici, la voie à la méthode d'apprentissage est donnée, ainsi que l'apparence dans le futur possible.
1, cinq géographie
1 Symbole: Utilisez des icônes, des règles et une logique pour décrire les connaissances et le raisonnement logiques, des algorithmes préférés sont les suivants: Règles de descendance et d'arbres

2 Bayesi: Acquérir la capacité de réaliser la raisonProbabilité, algorithme préféré est: Maguyubbeles ou Markov

3 Joints: Utilisez la matrice de probabilité et les cellules nerveuses pesant pour déterminer le mode dynamique et abstrait, Magic Favoris Math est: réseau neurologique
4 Evolution: créer des modifications, puis obtenir l'algorithme optimal et optimal pour des objectifs et des algorithmes spécifiques tels que des algorithmes: algorithme génétique
5Alogère: optimiser les fonctions basées sur des contraintes ~ aller au plus haut possible, mais ne quitte pas la route ~, le L'algorithme préféré est: support de vecteur de support
2

DÉCISION DE BASE LOGIQUE: Le système prend en charge la décision, réelle limitée

directement à 2000 Belid Catégorie: Bayes

Architecture: Petit grappe de serveur

Profil de la théorie: Théorie de la probabilité

Classification: La comparaison ou la comparaison peuvent être étendues, toutes les tâches sont suffisamment bonnes
en 2010 à moyen terme

authentique Catégorie: Coordinateur

Architecture: TRAng Grand Camp de serveur Neuroscience et probabilité Identité: Identification et son d'image plus précisément, traduction, analyse émotionnelle, v.v.
3, ces géographiques devraient coopérer et les méthodes correspondantes sont intégrées ensemble
] 2010 à la fin de 2010 Haut Catégorie: Architecture classique + symbolique
Architecture: Beaucoup de nuages
Top Théorie: mémoire de réseau, intégration à grande échelle, le raisonnement est basé sur les connaissances
de simples questions et réponses: la portée des connaissances de partage est étroite , spécifiquement

+

Catégorie: Joints + Symbole + ...
Architecture: Calcul de la nuage et de brouillard
Théorie propre: lorsque le réseau, le raisonnement et Travailler, il y a une règle
Connaissances, raisonnement et action simple: automatisation limitée ou interaction humaine-ordinateur

+

Domination: algorithme de fusion

TRUC: serveur populaire
TOP THEORY: Le meilleur apprentissage de Meta combine
Sensibilisation et commentaires: action ou réponses basée sur des connaissances ou des expériences passer par une série de méthodes d'apprentissage


. Troisièmement, les algorithmes Apprenez la machine

Quels algorithmes de machine devriez-vous utiliser? Cela dépend en grande partie de la nature et du nombre de données disponibles et de vos objectifs de formation dans chaque exemple spécifique. N'utilisez pas les algorithmes les plus complexes que si les résultats sont dignes de coûts et de ressources coûteux. Certains des algorithmes les plus populaires sont donnés, disposés à l'aide d'un niveau simple.

1. DÉCISION D'ARBRE ~ TRÉTICLEMENT TRIMÉ ~: Dans la réponse étape par étape, une analyse typique des arbres de décision utilisant une hiérarchie ou un bouton de décision, par exemple, un certain utilisateur peut être distribué de crédit de confiance ou non fiable.

Avantages: exemples d'évaluation des personnes, des lieux et des promesses spécialesdes personnes, des endroits, des choses
Scènes: cote de crédit basée sur des règles, prédisant les résultats de la course

2. Support machine Vecteur machine ~ Machine de vecteur Support ~: Basé sur Super Flat ~ Hyperplan ~, les vecteurs de support peuvent classer les groupes de données.

Avantages: appuiez les machines vectorielles également dans les activités de classification à double classification entre x variables et autres variables, quelle que soit leur relation, c'est un exemple linéaire
, par exemple: Classification Actualités, identification manuscrite.

3. Retours ~ Régression ~: La régression peut être décrite à partir de la relation d'état entre les variables et une ou plusieurs variables dus. Dans cet exemple, le spam et non le spam sont distingués.
Avantages: la régression peut être utilisée pour déterminer la relation continue entre les variables, même si cette relation n'est pas très claire

Exemple de scène: Enregistrer l'analyse La quantité de trottoirs, filtre de courrier

4. Classification Simpi Bayes ~ Trier Bayes naïf ~: classificateur simple BayesC utilisé pour calculer la probabilité de branches des conditions possibles. Chaque fonctionnalité indépendante est «simple» ou indépendante conditionnelle, de sorte qu'elles n'affectent pas d'autres objets. Par exemple, la probabilité constante a deux boules jaunes dans un pot avec un total de 5 boules jaunes et rouges? Il peut être vu de la branche supérieure de l'image et la probabilité de deux boules jaunes avant et après le 1er octobre est soignée. Un simple classificateur bayésien peut calculer la probabilité de nombreuses fonctionnalités.

Avantages: pour des objets connexes avec des caractéristiques importantes sur les petits ensembles de données, la méthode de Bayes simples peut effectuer une classification rapide

Scénario: contact de l'analyse de sentiment, classification des consommateurs
5. Masquer le modèle de Markov ~ Modèle de Markov caché ~: Le processus TMARF est complètement identifié - un certain état est généralement accompagné d'un autre état. Un signal de circulation est un exemple. Au lieu de cela, le modèle Black Markov calcule l'apparence de problèmesAI caché en analysant des données visibles. Ensuite, avec une analyse de statut caché, le modèle Hidden Markov peut estimer les modes d'observation futurs peut survenir. Dans cet exemple, la probabilité de pression atmosphérique élevée ou faible ~ Il s'agit d'un état caché ~ peut être utilisé pour prédire les journées ensoleillées, les jours pluvieux, la probabilité nuageuse.

AVANTAGES: La variable des données est appliquée pour déterminer ~ identité ~ et des activités prédictives

Exemple de scènes: analyse d'expression du visage, statue de prédiction de gaz

6. Forêt aléatoire ~ Forêt aléatoire ~: Algorithme forestier Améliorer la précision de l'arbre de décision en utilisant de nombreux arbres de quantités avec des ensembles de données sélectionnés au hasard. Cet exemple vérifie un grand nombre de gènes liés à la récurrence du cancer du sein au niveau de l'expression de gènes, et le risque de récurrence est calculé.
Avantages: des méthodes forestières aléatoires ont été prouvées comme utiles pour les ensembles de données et les éléments de données à grande échelle dansDonnées à grande échelle et parfois utile

Scénario: analyse des pertes d'utilisateurs, évaluation des risques

7. Circulation du réseau de neurones ~ N'oubliez pas le réseau nerveux ~: Dans tout réseau nerveux, chaque neurone est converti Dans une seule sortie de 1 ou plusieurs couches cachées. Neurologie circulant ~ RNN ~ transférera la valeur dans une classe, permettant à chaque classe d'étude. En d'autres termes, RNN a des formes de mémoire qui permettent la sortie précédente qui affecte l'entrée arrière.
Avantages: le réseau nerveux circulatoire a anticipé des scènes

Scènes lorsqu'il y a un grand nombre d'informations de commande: classification de l'image et suppléments de sous-titres, analyse émotionnelle politique

8. Mémoire à court terme à long terme ~ Mémoire à court terme, LSTM ~ et Network Network Control Port ~ Network Network Network ~: Sources d'ARN Perte précoce. Bien que ces premiers réseaux nerveux n'autorisent que de petites quantités d'informations précoces, une nouvelle mémoire à court terme ~ lstm ~ avec des pièces de cycle de contrôle du côlonLe réseau neurologique G ~ Gru ~ Neurologique a des souvenirs à long terme et à court terme. En d'autres termes, ces nouveaux RNC ont de meilleures capacités de contrôle de la mémoire, permettant des priorités précédentes ou réinitialisant ces valeurs lorsque nécessaire pour gérer plusieurs étapes, évitant ainsi la dégradation du déclin de la dégradation du gradient de pente ou de la valeur d'extrémité. Les réseaux LSTM et GRU nous permettent de contrôler la mémoire avec des modules de mémoire ou des structures appelées "Porte ~ Port ~", qui peuvent être transmises ou réinitialisées en même temps.

AVANTAGES: Les réseaux nerveux de la mémoire à long terme à court terme et de l'unité circulatoire ont les mêmes avantages que d'autres réseaux nerveux de circulation, mais parce qu'ils sont capables de mieux, ils sont souvent plus utilisés

. Exemple: Traitement de la langue naturelle, Traduction


9. Compolution Compolution Compolution ~ Network CompolSoral ~: Plus l'obturateur faisant référence au poids du poids du poids suivant, peut être utilisé pour marquer le couche de sortie.
Avantages: quand il y a un ensembleLes matériaux sont très importants, beaucoup de tâches de classification complexes et de classification, les réseaux de neurones de CalPolution sont utiles

exemple Scénario: Identification de l'image, Rotation du texte, Discovery de médicament