【机器学习一】 机器学习框架

我出息了，现在都开始学习机器学习了

本博客用来总结机器学习框架，主要为优质资源汇总，会长期更新

什么是优质资源呢？
就是讲解明确，案例有趣，适合我这种小白的资源
而不是长篇大论看也看不懂的那种TAT
刚开始资源会整合的比较拉跨
因为我也不知道为什么章节要这么安排/每个知识点都有什么关系
后面一边学习一边会整合进来，然后再慢慢完善自己的知识架构吧~
55555~菜狗挣扎TAT   Action！

机器学习

简介
机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。
机器学习有下面几种定义：
（1）机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。
（2）机器学习是对能通过经验自动改进的计算机算法的研究。
（3）机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。
传统机器学习的研究现状
传统机器学习的研究方向主要包括决策树、随机森林、人工神经网络、贝叶斯学习等方面的研究。

• 决策树是一种机器学习的方法。决策树的生成算法有ID3, C4.5和C5.0等。决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。
• 随机森林（RF）作为机器学习重要算法之一，是一种利用多个树分类器进行分类和预测的方法。近年来，随机森林算法研究的发展十分迅速，已经在生物信息学、生态学、医学、遗传学、遥感地理学等多领域开展的应用性研究。
• 人工神经网络（Artificial NeuralNetworks，ANN）是一种具有非线性适应性信息处理能力的算法，可克服传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷。早在20世纪40年代人工神经网络已经受到关注，并随后得到迅速发展
• 贝叶斯学习是机器学习较早的研究方向，其方法最早起源于英国数学家托马斯，贝叶斯在1763年所证明的一个关于贝叶斯定理的一个特例。经过多位统计学家的共同努力，贝叶斯统计在20世纪50年代之后逐步建立起来，成为统计学中一个重要的组成部分。

回归
线性回归
分类
概率分类器&非概率分类器
KNN算法
逻辑回归
概率：条件概率：独立/非独立
损失函数：0/1损失函数：敏感性/特异性

ROC：受试者工作特征曲线
（这个是吃汉堡的例子，就很可爱）
（把多元矩阵降维成二维的概念超酷的nei ！）

GMM 高斯混合模型
注意抽象理解与公式推导相辅相成

最后

以上就是羞涩方盒为你收集整理的【机器学习一】 机器学习框架的全部内容，希望文章能够帮你解决【机器学习一】 机器学习框架所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。