上次更新于2024-07-13 05:32
【消化】
人工智能（AI）和机器学习（ML）在当今技术的发展中起着核心作用。这些领域专注于教学机器如何理解数据，做出预测并创建新事物。但是，这些概念很复杂，对于初学者来说可能特别困难。因此，我们想向您介绍一个摘要，可以这么说，“作弊”，这是一个摘要，该摘要已分解为大型机器学习想法，以使其易于理解。
首先，监督学习涉及使用标记的数据培训算法。这使算法可以学习输入映射并从明确的示例中学习，以改善对新数据的预测。分类是监督学习的核心，是将数据分类为预定义的组。另一方面，回归预测了连续数值结果，并将变量之间的关系表示为连续值。
然后，无监督的学习探讨了未标记的数据，并发现隐藏的模式和关系而没有预定义的结果。聚类通过基于相似性分组数据点来找到相关性。关联还涉及在大型数据集中找到项目和功能之间的链接。降低尺寸通过减少变量的数量，同时保留重要信息，从而简化了大数据集。
半监督的学习列车使用标记和未标记数据的列车。这可以通过在培训过程中使用其他未标记的数据来提高分类器精度。
强化学习是在某些情况下采取适当的行动来最大程度地提高奖励。这用于查找软件或机器在特定情况下应采取的最佳动作或路线。
自然语言处理（NLP）是一个AI领域，它专注于通过自然语言进行计算机 - 人类互动，从而使计算机能够理解和处理人类语言。
深度学习是AI机器学习的子集，网络可以从非结构化或未标记的数据中学习。神经网络是受人脑中神经元网络启发的复杂计算模型，由处理和传达信息的互连节点层组成。
生成的AI包括生成对手网络（GAN）和变异自动编码器（VAE），它们可以为输入数据创建潜在空间以生成新的数据点。此外，大规模语言模型（LLM）是一个强大的模型，可让您在培训广泛的文本数据集后理解，翻译，总结和生成人类语言。
当我们完成在机器学习世界中的旅程时，很明显，这些技术就像我们的工具箱中的工具一样，每个工具都具有特殊的作用。某些算法可以找到侦探之类的线索，并将事物分为类别。像艺术家这样的其他算法可以想象以前从未存在的图像和想法。另外，一些算法（例如教练）鼓励机器通过做正确的事奖励它们来改善。看到这些工具已经成为我们日常生活的一部分，并从电影推荐到早期发现疾病真是令人兴奋。本指南只是对表面的一瞥，但我希望机器学习为我们可以带给世界的令人难以置信的可能性打开了大门。
[新闻评论]
人工智能（AI）和机器学习（ML）是使机器能够分析数据，做出预测并产生新想法的技术。这些技术很复杂，很难让初学者理解，但是本文提供了一份“备忘单”，以简单的方式总结了机器学习的基本概念。
监督学习是一种使用具有正确答案的数据培训算法的方法。例如，您可以学习使用标记为“垃圾邮件”或“非垃圾邮件”的电子邮件来识别垃圾邮件。通过将数据分为特定类别，将分类应用于图像识别和电子邮件过滤。回归用于预测连续数字，例如销售预测和房价估算。
无监督的学习是一种从未标记数据中找到模式的一种方式，可以帮助您探索和发现数据。聚类涉及基于相似性分组数据，并用于将客户（例如在营销中）细分。关联用于分析通常在超市中找到数据集中的项目之间的关联来分析产品。缩小尺寸是一种在保留重要信息时简化数据集的方法。
半监督学习可以使用少量的标记数据和大量未标记的数据来提高算法的准确性。
加强学习是一种学习奖励最大化行为的方式，例如在Google Deepmind中的Alphago中，该行为用于在游戏中找到最好的手。
自然语言处理（NLP）是一项计算机理解和处理人类语言的技术，并应用于聊天机器人和其他应用程序。
深度学习是一种使用类似于人脑的神经网络从非结构化数据中学习的AI。这使得面部识别系统和其他服务。
AI一代包括gan和vaes，使您可以生成新数据。例如，甘恩用于产生现实的人脸和声音的深层。 LLM具有从大量文本数据中学习并生成文本和代码的能力。
这些机器学习技术已经嵌入了我们的日常生活中，并以许多方式支持我们的生活，从电影推荐到早期发现疾病。我们希望本文将帮助您了解机器学习的至少一点点惊人的可能性。