- PyTorch 教程
- PyTorch - 主页
- PyTorch - 简介
- PyTorch - 安装
- 神经网络的数学构建模块
- PyTorch - 神经网络基础知识
- 机器学习的通用工作流程
- 机器学习与深度学习
- 实施第一个神经网络
- 神经网络到功能块
- PyTorch - 术语
- PyTorch - 加载数据
- PyTorch - 线性回归
- PyTorch - 卷积神经网络
- PyTorch - 循环神经网络
- PyTorch - 数据集
- PyTorch - 修道院简介
- 从头开始训练修道院
- PyTorch - 修道院中的特征提取
- PyTorch - 修道院的可视化
- 使用Convents进行序列处理
- PyTorch - 词嵌入
- PyTorch - 递归神经网络
- PyTorch 有用资源
- PyTorch - 快速指南
- PyTorch - 有用的资源
- PyTorch - 讨论
机器学习的通用工作流程
如今人工智能的发展趋势更加明显。机器学习和深度学习构成了人工智能。下面提到的维恩图解释了机器学习和深度学习的关系。
机器学习
机器学习是一门科学的艺术,它允许计算机按照设计和编程的算法运行。许多研究人员认为机器学习是迈向人类水平人工智能的最佳途径。它包括各种类型的模式,例如 -
- 监督学习模式
- 无监督学习模式
深度学习
深度学习是机器学习的一个子领域,其中相关算法受到称为人工神经网络的大脑结构和功能的启发。
通过监督学习或从标记数据和算法中学习,深度学习变得非常重要。深度学习中的每种算法都经历相同的过程。它包括输入的非线性变换的层次结构,并用于创建统计模型作为输出。
机器学习过程是使用以下步骤定义的 -
- 识别相关数据集并准备进行分析。
- 选择要使用的算法类型。
- 根据所使用的算法构建分析模型。
- 在测试数据集上训练模型,并根据需要进行修改。
- 运行模型以生成测试分数。