Python 深度基础机器学习
人工智能 (AI) 是使计算机能够模仿人类认知Behave或智能的任何代码、算法或技术。机器学习 (ML) 是人工智能的一个子集，它使用统计方法使机器能够根据经验进行学习和改进。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分层学习。
机器学习涉及广泛的概念。下面列出了这些概念 -
- 监督的
- 无监督
- 强化学习
- 线性回归
- 成本函数
- 过拟合
- 欠拟合
- 超参数等
在监督学习中，我们学习从标记数据中预测值。一种有用的 ML 技术是分类，其中目标值是离散值；例如，猫和狗。机器学习中另一种可能有用的技术是回归。回归作用于目标值。目标值是连续值；例如，可以使用回归来分析股票市场数据。
在无监督学习中，我们根据未标记或结构化的输入数据进行推断。如果我们有一百万份医疗记录，并且我们必须理解它，找到底层结构、异常值或检测异常，我们使用聚类技术将数据划分为广泛的集群。
数据集分为训练集、测试集、验证集等。
2012 年的突破使深度学习的概念变得引人注目。使用 2 个 GPU 和大数据等最新技术，算法成功地将 100 万张图像分为 1000 个类别。
深度学习与传统机器学习的关系
传统机器学习模型遇到的主要挑战之一是称为特征提取的过程。程序员需要具体地告诉计算机需要注意的功能。这些功能将有助于做出决策。
将原始数据输入算法很少起作用，因此特征提取是传统机器学习工作流程的关键部分。
这给程序员带来了巨大的责任，而算法的效率在很大程度上取决于程序员的创造力。对于物体识别或手写识别等复杂问题来说，这是一个巨大的问题。
深度学习具有学习多层表示的能力，是帮助我们自动特征提取的少数方法之一。可以假设较低层正在执行自动特征提取，几乎不需要或不需要程序员的指导。