机器学习基础

人工智能(AI)是使计算机模拟人类认知行为或智力的任何代码，算法或技术。 机器学习(ML)是AI的一个子集，它使用统计方法使机器学习和改进经验。 深度学习是机器学习的一个子集，它使得多层神经网络的计算变得可行。 机器学习被视为浅层学习，而深度学习被视为具有抽象的层次学习。

机器学习涉及广泛的概念。 这些概念如下 -

• 监督
• 无监督
• 强化学习
• 线性回归
• 成本功能
• 过度拟合
• 根据拟合
• 超参数等

在监督学习中，我们学习从标记数据预测值。 一种叫作ML的技术可以帮助分类，其中目标值是离散值; 例如，猫和狗。 机器学习中的另一个可能有用的技术是回归。 回归对目标值起作用。 目标值是连续值; 例如，可以使用回归分析股票市场数据。

在无监督学习中，我们根据未标注或结构化的输入数据进行推理。 如果我们有一百万条医疗记录，并且我们必须理解它，找到潜在的结构，异常值或检测异常，我们使用聚类技术将数据划分为大集群。

数据集分为训练集，测试集，验证集等。

2012年的突破带来了深度学习的概念突出。 算法使用2个GPU和大数据等最新技术成功将100万个图像分为1000个类别。

关于深度学习和传统机器学习

传统机器学习模型遇到的一个主要挑战是一个称为特征提取的过程。 程序员需要具体，并告诉计算机要查找的功能。 这些功能将有助于做出决定。

将原始数据输入算法很少有效，因此特征提取是传统机器学习工作流程的关键部分。

这给程序员带来了很大的责任，算法的效率在很大程度上依赖于程序员的创造性。 对于复杂的问题，如对象识别或手写识别，这是一个很大的问题。

深度学习能够学习多层表示，是帮助我们进行自动特征提取的少数几种方法之一。 较低层可以被假定为执行自动特征提取，而几乎不需要程序员的指导。