当前位置: > python人工智能 >

Python人工智能中什么是机器学习?
栏目分类:python人工智能   发布日期:2019年02月22日 17:48:38   浏览次数:

       Python人工智能机器学习的核心是“利用算法解析数据学习,然后对世界上的某件事做出决定或预测”。这也就意味着,与其显式性的编写程序去执行某些任务,不如让计算机学会如何自己开发一个算法来完成一些任务。现在有三种主要类型的机器学习:监督学习、非监督学习和强化学习,所有的这些都有其特定的优点和缺点。
.

python机器学习

 
监督学习涉及一组标记数据。计算机可以使用特定的模式来识别每种标记类型的新样本。监督学习的两种主要类型是分类和回归。
 
       第一种监督学习是分类,分类是机器被训练成将一个组划分为特定的类。分类的简单的例子是电子邮件帐户上面的垃圾邮件过滤器。过滤器的分析你以前标记为垃圾邮件的电子邮件,并将它们与新邮件进行比较。如果它们匹配一定数量的百分比,这些新邮件将被标记为垃圾邮件并发送到适当的文件夹。那些比较不相似的电子邮件被归类为正常邮件并发送到你的邮箱。
 
       第二种监督学习是回归。在回归中,机器使用先前的(标记的)数据来预测未来。天气应用是回归的好例子。使用气象事件的历史数据(即平均气温、湿度和降水量),你的手机天气应用程序可以查看当前天气,并在未来的时间内对天气进行预测。
 
       在无监督学习中,数据是无标签的。由于大多数真实世界的数据都没有标签,这些算法特别有用。无监督学习分为聚类、降维。聚类是用于根据属性和行为对象进行分组。这和分类不同,因为这些组不是你提供的。聚类的例子是将一个组划分成不同的子组(例如,基于年龄和婚姻状况),然后应用到有针对性的营销方案中。降维通过找到共同点来减少数据集的变量。大多数大数据可视化使用降维来识别趋势和规则。
 
       最后,强化学习会使用机器的个人历史和经验来做出决定。强化学习的经典应用就是玩游戏。与监督和非监督学习不同,强化学习不涉及提供“正确的”答案或输出。相反,它只关注性能。这反映了人类是怎么根据积极和消极的结果学习的。很快就学会了不要重复这一动作。同样的道理,一台下棋的电脑可以学会不把它的国王移到对手的棋子可以进入的空间。然后,国际象棋的这一基本训练就可以被扩展和推断出来,直到机器能够打(并最终击败)人类顶级玩家为止。

 

python人工智能
 


        但是,等等,你可能会说。我们是在说人工智能吗?机器学习是人工智能的一个分支。人工智能是致力于创造出比人类更加能完成复杂任务的机器。这些任务通常涉及判断、策略和认知推理,这些技能最初被认为是机器的“禁区”。这听起来好像很简单,但这些技能的范围是非常大的——语言处理、图像识别、规划等等。
 
        机器学习是会使用特定的算法和编程方法来实现人工智能。没有机器学习,我们前面提到的国际象棋程序将会需要数百万行代码,包括所有的边缘情况,并且包含来自对手的所有可能的移动。现在有了机器学习,我们就可以将代码量缩小到以前的一小部分。很棒对吧?

相关热词:

热门关键词
     
python教程 python爬虫 python人工智能 Python+大数据 python问答