Maschinelles Lernen ist darauf spezialisiert, zu untersuchen, wie Computer menschliches Lernverhalten simulieren oder umsetzen können, um sich neues Wissen oder Fähigkeiten anzueignen und bestehende Wissensstrukturen neu zu organisieren, um die eigene Leistung kontinuierlich zu verbessern. Probleme, die maschinelles Lernen lösen kann: 1. Klassifizierungsprobleme; 2. Regressionsprobleme; 3. Clustering-Probleme;
Die Betriebsumgebung dieses Tutorials: Windows 7-System, Dell G3-Computer.
Was ist maschinelles Lernen?
Maschinelles Lernen besteht darin, einen Teil der Computerdaten zu lernen und dann andere Daten vorherzusagen und zu beurteilen.
Der Kern des maschinellen Lernens besteht darin, „Algorithmen zu verwenden, um Daten zu analysieren, daraus zu lernen und dann Entscheidungen oder Vorhersagen über neue Daten zu treffen“. Das heißt, der Computer verwendet die erhaltenen Daten, um ein bestimmtes Modell abzuleiten, und verwendet dieses Modell dann, um Vorhersagen zu treffen. Dieser Prozess ähnelt in gewisser Weise dem menschlichen Lernprozess. Nachdem eine Person beispielsweise bestimmte Erfahrungen gesammelt hat kann neue Probleme vorhersagen.
Nehmen wir ein Beispiel: Wir alle wissen, dass wir bei Alipays Frühlingsfest-Aktivität „Fünf Segen sammeln“ Fotos des Wortes „福“ scannen, um das Wort „福“ zu identifizieren. Wir können dem Computer Fotodaten des Wortes „福“ zur Verfügung stellen. Durch Algorithmusmodelltraining aktualisiert und lernt das System kontinuierlich und gibt dann ein neues Foto mit dem Wort „福“ ein, und die Maschine erkennt automatisch, ob das Wort vorhanden ist „福“ auf dem Foto.
Maschinelles Lernen ist ein interdisziplinäres Fach mit mehreren Bereichen, das Wahrscheinlichkeitstheorie, Statistik, Informatik und andere Disziplinen umfasst. Das Konzept des maschinellen Lernens besteht darin, das Modell durch die Eingabe umfangreicher Trainingsdaten zu trainieren, damit das Modell die in den Daten enthaltenen potenziellen Muster erfassen und die neu eingegebenen Daten dann genau klassifizieren oder vorhersagen kann. Wie in der folgenden Abbildung dargestellt:
Welche Probleme kann maschinelles Lernen lösen?
Klassifizierung aus funktionaler Sicht kann maschinelles Lernen die folgenden Probleme für eine bestimmte Datenmenge lösen:
1. Klassifizierungsproblem: Bestimmen Sie anhand der aus der Datenprobe extrahierten Merkmale, zu welcher der begrenzten Kategorien sie gehört. Beispiel: Spam-Identifizierung (Ergebniskategorie: 1. Spam 2. Normale E-Mail).
2. Regressionsproblem: Vorhersage des Ergebnisses eines kontinuierlichen Werts basierend auf den aus der Datenprobe extrahierten Merkmalen. Zum Beispiel: Die Kinokassen von Xingyes „Mermaid“
3. Clustering-Problem: Gemäß den aus den Datenproben extrahierten Merkmalen werden die Proben gruppiert (ähnliche/verwandte Proben befinden sich in einer Gruppe). Beispiel: Googles Nachrichtenklassifizierung.
Lassen Sie uns die oben genannten häufigen Fragen in die beiden typischsten Kategorien des maschinellen Lernens unterteilen.
Klassifizierungs- und Regressionsprobleme müssen mit Daten mit bekannten Ergebnissen trainiert werden und gehören zum „überwachten Lernen“.
Clustering-Probleme erfordern keine bekannten Bezeichnungen und gehören zum „unüberwachten Lernen“.
Wenn Sie einen Spaziergang durch die IT-Branche (insbesondere das Internet) machen, werden Sie feststellen, dass maschinelles Lernen in den folgenden aktuellen Themen weit verbreitet ist:
Weitere Informationen zu diesem Thema finden Sie in den FAQs Spalte!
Das obige ist der detaillierte Inhalt vonWas ist maschinelles Lernen? Welche Probleme kann maschinelles Lernen lösen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!