📅  最后修改于: 2020-09-08 10:32:46        🧑  作者: Mango

这篇文章的目的是回顾经过时间考验的，被广泛采用的深度学习模型；这些技术涵盖了解现代深度学习研究所需的许多基本知识。如果您是该领域的新手，那么这是一个很好的起点。深度学习是一个瞬息万变的领域，大量的研究论文和想法可能会令人不知所措。即使是经验丰富的研究人员，也很难告诉公司PR真正的突破。这篇文章的目的是回顾那些经受时间考验的想法，这也许是人们应该依靠的唯一意义。如果您今天要开始深度学习，那么理解和实...

📅  最后修改于: 2020-09-26 14:00:03        🧑  作者: Mango

机器学习的应用机器学习是当今技术的流行语，并且它正以日新月异的速度增长。我们甚至在不知道的情况下仍在日常生活中使用机器学习，例如Google Maps，Google助手，Alexa等。以下是机器学习中最流行的现实应用程序：1.图像识别：图像识别是机器学习的最常见应用之一。它用于识别物体，人物，地方，数字图像等。图像识别和面部检测的流行用例是，自动添加好友标签建议：Facebook为我们提供了自动添...

📅  最后修改于: 2020-09-26 14:10:26        🧑  作者: Mango

机器学习生命周期机器学习使计算机系统无需明确编程即可自动学习。但是机器学习系统如何工作？因此，可以用机器学习的生命周期来描述它。机器学习生命周期是构建高效机器学习项目的循环过程。生命周期的主要目的是找到问题或项目的解决方案。机器学习生命周期涉及以下七个主要步骤：收集数据资料准备数据整理分析数据训练模型测试模型部署方式整个过程中最重要的事情是了解问题并了解问题的目的。因此，在开始生命周期之前，我们需...

📅  最后修改于: 2020-09-26 14:12:02        🧑  作者: Mango

安装Anaconda和Python要学习机器学习，我们将在本教程中使用Python编程语言。因此，为了使用Python进行机器学习，我们需要将其安装在具有兼容IDE(集成开发环境)的计算机系统中。在本主题中，我们将学习在Anaconda发行版的帮助下安装Python和IDE。Anaconda发行版是针对Python/ R编程语言的免费开源平台。它可以轻松安装在Windows，Linux和MAC O...

📅  最后修改于: 2020-09-27 00:44:52        🧑  作者: Mango

人工智能和机器学习之间的区别人工智能和机器学习是计算机科学中相互关联的一部分。这两种技术是用于创建智能系统的最新技术。尽管这是两项相关的技术，有时人们将它们彼此用作同义词，但是在各种情况下两者仍然是两个不同的术语。从广义上讲，我们可以将AI和ML区分为：人工智能是创建可以模拟人类思维能力和行为的智能机器的一个更大的概念，而机器学习是人工智能的应用程序或子集，它允许机器从数据中学习而无需进行显式编程...

📅  最后修改于: 2020-09-27 00:50:49        🧑  作者: Mango

如何获取用于机器学习的数据集在机器学习领域取得成功或成为一名出色的数据科学家的关键是要练习不同类型的数据集。但是，为每种机器学习项目找到合适的数据集是一项艰巨的任务。因此，在本主题中，我们将提供源的详细信息，您可以从中轻松根据项目获取数据集。在了解机器学习数据集的来源之前，让我们讨论一下数据集。什么是数据集？数据集是数据的集合，其中数据以某种顺序排列。数据集可以包含从一系列数组到数据库表的任何数据...

📅  最后修改于: 2020-09-27 00:53:37        🧑  作者: Mango

机器学习中的数据预处理数据预处理是准备原始数据并使之适合于机器学习模型的过程。这是创建机器学习模型的第一步，也是至关重要的一步。在创建机器学习项目时，并非总是遇到整洁且格式化的数据的情况。而且，在对数据执行任何操作时，必须将其清理并以格式化的方式放置。因此，为此，我们使用数据预处理任务。为什么我们需要数据预处理？实际数据通常包含噪声，缺失值，并且可能采用无法使用的格式，无法直接用于机器学习模型。数...

📅  最后修改于: 2020-09-27 00:55:48        🧑  作者: Mango

监督机器学习监督学习是机器学习的一种类型，其中，机器使用良好的“标记”训练数据来训练机器，并根据这些数据预测机器的输出。带标签的数据意味着某些输入数据已被正确的输出标记。在监督学习中，提供给机器的训练数据充当指导者，指导机器正确预测输出。它采用与学生在老师的监督下学习相同的概念。监督学习是向机器学习模型提供输入数据以及正确的输出数据的过程。监督学习算法的目的是找到一个映射函数，以将输入变量(x)与...

📅  最后修改于: 2020-09-27 00:57:28        🧑  作者: Mango

无监督机器学习在上一个主题中，我们学习了监督式机器学习，其中在训练数据的监督下使用标记数据训练模型。但是在很多情况下，我们没有标记数据，需要从给定的数据集中找到隐藏的模式。因此，要解决机器学习中的此类情况，我们需要无监督的学习技术。什么是无监督学习？顾名思义，无监督学习是一种机器学习技术，其中不使用训练数据集对模型进行监督。相反，模型本身会从给定的数据中找到隐藏的模式和见解。可以将其与学习新事物时...

📅  最后修改于: 2020-09-27 00:59:07        🧑  作者: Mango

监督学习与无监督学习之间的区别监督学习和无监督学习是机器学习的两种技术。但是这两种技术都用于不同的场景和不同的数据集。下面给出两种学习方法的解释以及它们的差异表。有监督的机器学习：监督学习是一种机器学习方法，其中使用标记的数据来训练模型。在监督学习中，模型需要找到映射函数以将输入变量(X)与输出变量(Y)映射。监督学习需要监督以训练模型，这类似于学生在老师在场的情况下学习事物。监督学习可用于两种类...

📅  最后修改于: 2020-09-27 01:05:39        🧑  作者: Mango

机器学习中的回归分析回归分析是一种统计方法，用于对具有一个或多个自变量的因变量(目标变量)和自变量(预测变量)之间的关系进行建模。更具体地说，回归分析有助于我们理解在其他自变量保持固定的情况下，自变量的值对应于自变量的变化方式。它可以预测连续/实际值，例如温度，年龄，工资，价格等。我们可以使用以下示例了解回归分析的概念：示例：假设有一家营销公司A，该公司每年都会做各种广告并以此获得销售。以下列表显...

📅  最后修改于: 2020-09-27 01:07:44        🧑  作者: Mango

机器学习中的线性回归线性回归是最简单，最受欢迎的机器学习算法之一。这是一种用于预测分析的统计方法。线性回归可预测连续/实数或数值变量，例如销售额，薪水，年龄，产品价格等。线性回归算法显示因变量(y)与一个或多个独立变量(y)之间的线性关系，因此称为线性回归。由于线性回归显示线性关系，这意味着它将找到因变量的值根据自变量的值如何变化。线性回归模型提供了代表变量之间关系的倾斜直线。考虑下图：在数学上，...

📅  最后修改于: 2020-09-27 02:02:48        🧑  作者: Mango

机器学习中的简单线性回归简单线性回归是一种回归算法，可以对因变量和单个自变量之间的关系进行建模。简单线性回归模型显示的关系是线性或倾斜的直线，因此称为简单线性回归。简单线性回归的关键点在于因变量必须是连续/实数值。但是，可以根据连续值或分类值来测量自变量。简单线性回归算法主要有两个目标：对两个变量之间的关系进行建模。例如收入与支出，经验和薪水之间的关系等。预测新观察。如根据温度进行天气预报，根据一...

📅  最后修改于: 2020-09-27 02:04:41        🧑  作者: Mango

多元线性回归在上一主题中，我们了解了简单线性回归，其中使用了一个独立变量/预测变量(X)来对响应变量(Y)进行建模。但是在许多情况下，响应变量会受到多个预测变量的影响；在这种情况下，将使用多元线性回归算法。此外，多元线性回归是简单线性回归的扩展，因为它需要多个预测变量来预测响应变量。我们可以将其定义为：多元线性回归是重要的回归算法之一，它对单个因变量和多个自变量之间的线性关系进行建模。例：根据发动...

📅  最后修改于: 2020-09-27 02:07:03        🧑  作者: Mango

什么是后向消除？向后消除是构建机器学习模型时的功能选择技术。它用于删除那些对因变量或输出预测没有重大影响的功能。在机器学习中有多种构建模型的方法，包括：全能后向消除正向选择双向消除分数比较以上是在机器学习中构建模型的可能方法，但是我们这里仅使用“反向淘汰”过程，因为它是最快的方法。后退步骤以下是用于应用反向消除过程的一些主要步骤：步骤1：首先，我们需要选择一个显着性水平以保留在模型中。 (SL =...