学术科研无从下手?27 条机器学习避坑指南,让你的论文发表少走弯路

材料人的福音!5大AI+材料前沿技术实战课,科研/工程能力狂飙! 5大AI+材料专题课程助力研究生科研突破:1)AI-有限元融合的复合材料多尺度建模;2)AI赋能聚合物分子设计;3)机器学习优化水泥基复合材料;4)增材制造多物理场AI建模;5)金属疲劳寿命预测技术。课程由高校专家授课,包含ABAQUS二次开发、物理神经网络、生成式AI等前沿技术,通过代码实践+顶刊复现,帮助解决材料领域仿真难、数据乱、发刊慢等痛点。早鸟优惠中,组队学习可提升科研效率,构建AI+材料的核心竞争力。 阅读详情

内容一览:如果你刚接触机器学习不久,并且未来希望在该领域开展学术研究,那么这份为你量身打造的「避坑指南」可千万不要错过了。

关键词:机器学习 科研规范 学术研究

机器学习学术小白,如何优雅避坑坑、让自己的论文顺利发表?

来自苏格兰赫瑞瓦特大学数学与计算机科学学院的 Michael A. Lones 副教授,曾在 2021 年专门发表了一篇论文–「How to avoid machine learning pitfalls: a guide for academic researchers」, 对此进行了详细论述。

阅读完整论文 (V2):

Michael A. Lones 主要研究方向包括优化、机器学习
数据科学、复杂系统和非标准计算
以及在生物学、医学、机器人和安全问题中的应用
Michael A. Lones 主要研究方向包括优化、机器学习
数据科学、复杂系统和非标准计算
以及在生物学、医学、机器人和安全问题中的应用

在这篇论文中,作者从学术研究的视角出发,结合自己的科研经历及教学经验,收录了在使用机器学习技术的完整链路中,频繁出现、需要特别关注的 5 大问题,并提出了相应的解决办法。

适用人群:

对 ML 领域比较陌生,只具备基础 ML 知识的同学或学者

温馨提示:本文聚焦学术界普遍关注的问题,如:如何严格评估和比较模型,使得论文能顺利发表

接下来,我们将遵循 ML 模型训练的完整流程,分阶段展开叙述。

阶段 1:创建模型前

很多同学一上来就急着训练和评估模型,往往忽略了更重要的「做功课」,这些「功课」包括:

  • 项目的目标是什么
  • 实现这一目标,需要怎样的数据
  • 数据会不会有局限性,如果有如何解决
  • 这一领域的研发进展如何,已经做了什么

这些前置工作没有做好,光着急跑模型,那么最终很可能出现模型无法证明预期结论、科研工作无法发表等尴尬局面。

1.1 了解并分析数据

数据来源可靠、收集方法科学且数据质量高,会对论文发表大有裨益。这里需要注意,**被广泛使用的数据集不一定都质量好,也有可能是因为它容易获取。**选取数据前先进行一些探索性的数据分析,排除数据的局限性。

1.2 不要查看全部数据,开始前就把测试数据区分出来

测试集的信息泄漏到训练过程,是机器学习模型不能泛化的一个常见原因。 为此,数据探索性分析阶段,不要过于细致地查看测试数据,避免有意或无意地做出无法测试的假设,限制模型的通用性。

温馨提示:做出假设是可以的,但是这些假设应该只被纳入模型的训练 (training) 中,而非测试 (testing) 中。

1.3 准备充足的数据

数据不够可能降低模型的概括性和通用性,这取决于数据集的信噪比 (Signal-to-Noise Ratio, SNR)。在机器学习研究领域中,一个常见的问题是数据量不够,这时可以通过交叉验证、数据增强等技术,提高现有数据的可用性。

1.4 积极向该领域专家请教

领域专家具备丰富的科研经验,可以帮助我们明确需要解决的问题、最合适的特征集和机器学习模型,以及指导我们研究成果的发布, 起到事半功倍的效果。

1.5 做好文献调研

学术进步是一个迭代的过程,每一项研究都提供了可以指导下一项研究的信息。 **忽视以前的研究,很可能会让自己错过有价值的信息。**与其写论文的时候,才绞尽脑汁地解释为什么研究同样的课题、为什么不在现有的成果上开始研究,不如在开始工作前就做一个文献综述。

1.6 提前思考模型的部署问题

如果学术研究的最终目标,是创建一个可以在现实世界中部署的机器学习模型,则需要尽早考虑部署问题, 如环境限制对模型复杂度的影响、是否有时间限制、如何与软件系统结合等等。

阶段 2:可靠地创建模型

以一种有组织的方式创建模型非常重要,这使我们可以正确地使用数据,并充分考虑模型的选择。

2.1 测试数据不能参与到模型训练过程中

一但测试数据参与到了模型的配置、训练或选择中,会极大影响数据的可靠性和通用性,这也是已发布的机器学习模型经常不能通用于现实世界数据的一个常见原因。

❎ 错误示例(注意规避):

  • 数据准备期间,用整个数据集变量的均值和范围信息进行 variable scaling(正确做法是只在训练数据中进行)

  • 在分割数据之前进行特征选择

  • 使用相同的测试数据评估多个模型的通用性

  • 在分割测试数据之前应用数据增强

为了避免以上问题出现,最好的办法就是在项目开始前,就划分出一个数据子集, 并且在项目结束时只使用这个独立的测试集来测试单一模型的通用性。

温馨提示:时间序列数据的处理要特别小心,因为数据的随机拆分很容易造成泄漏和过拟合。

2.2 尝试多个不同模型

世界上不存在放之四海皆通用的机器学习模型,我们的研究工作就是要找到适用于特定问题的机器学习模型。Python、R、Julia 等现代机器学习库, 只需对代码进行少量修改,就可以尝试多种模型,找到最有效的模型。

温馨提示:

  • 不要使用不合适的模型,使用验证集而非测试集来评估模型
  • 比较模型时,要优化模型的超参数,并进行多次评估,并在发布结果时纠正多重比较。

2.3 不要使用不合适的模型

现代机器学习库降低了机器学习的实施门槛,同时也使得我们很容易选用不合适的模型,如将适用于 categorical feature 的模型应用于包含 numerical feature 的数据集,或者在该使用回归模型的时候使用分类模型。在选择模型时,应尽可能选用适合用例的模型。

2.4 深度学习有些时候并不是最优解

虽然深度神经网络 (DNN) 在某些任务上表现出色,但并不意味着 DNN 适用于所有问题, 尤其是当数据有限、 underlying pattern 相当简单,或模型需要可解释的时候,DNN 的表现可能并不如某些 old fashioned 机器学习模型,如随机森林、SVM。

2.5 优化模型的超参数

超参数对模型的性能影响巨大,且通常需要与特定数据集相匹配。无目的地进行测试,可能并不是找到合适超参数的最佳方法。推荐使用超参数优化策略,如 random search 和 grid search。

温馨提示:对于超参数数量巨大或训练成本较高的模型而言,这些策略并不适用,可以借助 AutoML、数据挖掘 pipeline 等技术来优化模型的选择及其超参数。

2.6 优化超参数及选择 feature 时需要额外细心

超参数优化和特征选择是模型训练的一部分,不要在模型训练开始前,对整个数据集进行特征选择,这会使得信息从测试集泄露到训练过程中。优化模型的超参数或特征,最好使用与训练模型完全相同的数据,一种常见的技术是嵌套交叉验证(也称双重交叉验证。

阶段 3:稳健地评估模型

不合理的模型评估非常普遍,这会阻碍学术研究的进展。因此,需要谨慎思考如何在实验中使用数据、衡量模型的真实性能并进行报告。

3.1 使用恰当的测试集

使用测试集来衡量机器学习模型的通用性,并确保测试集的数据是合适的。 测试集不应与训练集重叠,且需要涵盖更广泛的条件,如一个物体的摄影数据集,如果训练集和测试集都是在晴天的室外收集的,测试集就不是独立的,因为没有捕捉到更广泛的天气条件。

3.2 分割数据前不要进行数据增强

数据增强有利于平衡数据集和提高机器学习模型的通用性和稳健性,需要注意的是数据增强应该只应用于训练集,不涉及测试集,以防出现过拟合。

3.3 使用验证集

使用一个单独的验证集来衡量模型性能,这包含一组不直接用于训练,而是用于指导训练的样本。验证集的另一个好处是可以进行 early stopping。

3.4 对模型进行多次评估

模型的单一评估并不可靠,可能低估或高估了模型的真正性能, 为此,需要对模型进行多次评估,大多涉及到使用不同的训练数据子集对模型进行多次训练。交叉验证 (Cross-Validation) 是一种特别流行且种类众多的方法,如 Ten-fold Cross-Validation。

温馨提示:报告多次评估的均值和标准差的同时,建议保留单个分数记录,以备后续使用统计检验 (statistical tests) 对模型进行比较。

3.5 保留一些数据来评估最终的模型实例

对模型实例的通用性进行可靠评估的最佳方法,可能就是使用另一个测试集。 所以,如果数据量足够大,最好先保留一些,并用其对最终选定的模型实例进行无偏差 (unbisded) 的评估。

3.6 不要对非平衡数据集使用准确率

谨慎选择评估机器学习模型的指标,例如,分类模型最常用的指标是准确率 (accuracy),如果是平衡数据集(每个类别在数据集中都有类似数量的样本代表)效果就会很好;如果是非平衡数据集,准确率则可能是一个非常具有误导性的指标。

在这种情况下,最好使用 F1 score、科恩卡帕系数 (κ) 或马修斯相关系数 (MCC) 等对 class size imbalance 不敏感的指标。

阶段 4:公平地比较模型

对模型进行比较是学术研究的基础,但如果以不公平的方式进行比较,并且发表,就会带偏其他研究人员。所以,需要确保在同一条件下评估不同模型,并正确使用统计检验 (statistical tests)。

4.1 对于模型而言,并不是数字越高性能越好

论文中常出现这种表述「此前研究中的准确率是 94%,本文模型准确率高达 95%,因此更好」。各种原因表明,更高的数字不等同于更好的模型, 如果模型是在同一个数据集的不同分区上训练或评估的,可能性能差异教小;如果是用了完全不同的数据集则可能性能差异巨大。没有进行相同数量的超参数优化也会影响模型性能差异。

因此,要想对两个模型科学地进行性能比较,应该将模型优化到相同程度,并进行多次评估,然后用统计测试的方法确定性能差异是否显著。

4.2 用统计检验比较模型

推荐用统计检验 (statistical tests) 比较两个模型的性能差异。广义上讲,比较机器学习模型的 test 分为两类:第一类用于比较同类模型实例, 如比较两个训练好的决策树时,可以选用 McNemar 检验;第二类适用于更通用的模型比较, 如比较决策树和神经网络哪个更适合时,选用曼-惠特尼 U 检验。

4.3 对多重比较进行校正

用统计检验比较两个以上模型有些复杂,multiple pairwise test 类似多次使用测试集,这可能导致对显著性 (significance) 过于乐观 (overly-optimistic) 的解释。

推荐使用多重检验 (multiple test) 校正来解决这个问题,如邦费罗尼校正 (Bonferroni correction)。

4.4 不要过于相信社区基准的结果

对于某些领域的问题,很多人会选用基准数据集来评估新机器学习模型的性能,因为大家都是使用相同的数据来训练和测试模型,那么比较起来就会更加直观。这种方法有一些主要缺点。

首先,如果测试集的访问不受限,则不能保证别人没有把它作为训练过程的一部分,这会导致对于结果的过度乐观。此外,即使每个使用数据的人只使用了一次测试集,但总体而言,测试集被社区使用了很多次,这也会导致模型过拟合的发生。为此,应该谨慎地解读基准数据集的结果,对性能的提高进行合理研判。

阶段 5:报告结果

学术研究需要对知识有贡献,这要求报告研究工作的整体情况,包括哪些工作成功、哪些失败。 机器学习通常和 trade-offs 相关,一个模型在所有方面都比另一个模型好是很少见的。所以在报告结果时需要体现这一点。

5.1 报告需要透明

把所有研究工作都透明地分享出来, 这利于其他人重复这项实验,也方便人们比较模型。清晰地记录实验及写出整洁的代码,对自己和他人都有好处。机器学习社区越来越注重实验的可复现,工作流程记录不充分,可能会影响后续发表。

5.2 多种方式报告性能

在评估模型性能时,一个更严谨的方法是使用多个数据集, 这能帮助克服与单个数据集相关的任何缺陷,并给出模型性能的全面描述。为每个数据集报告多个指标是很好的做法,因为不同指标能呈现不同的结果,增加工作的透明度。

5.3 只针对数据进行归纳

不要提出无效结论,这会把其他研究人员带入歧途。一个常见的错误是,发表训练和评估模型的数据不支持的概括结论。模型在一个数据集上表现很好,不意味着在其他数据集上也做得好。虽然可以通过使用多个数据集获得可靠的 insights,但从实验中研究和推断出的东西总是有限的。不要夸大发现,意识到局限性。

5.4 谨慎报告显著性差异

上文探讨的统计检验,可以帮助检验模型间的差异。但统计检验并不完美,可能会低估或高估模型的显著性,出现假阳或假阴的问题。此外越来越多的统计学家主张放弃使用置信度阈值 (confidence threshold)、直接报告 p 值来测定模型显著性。

除了统计显著性,另一个要考虑的问题,是两个模型间的差异是否真的重要。因为只要样本足够,总是能找到显著的差异,哪怕实际性能差异微乎其微。所以在判断重要性时,可以衡量效应值 (effect size),方法包括 Cohen’s d statistic(更普遍)、Kolmogorov Smirnov(效果更好,推荐)等。

5.5 关注模型运行原理

训练过的模型包含众多有效信息,但很多作者只报告模型的性能指标,对模型原理不作解释。 研究的目的不是获得比别人稍高的准确率,而是总结知识并分享给研究社区,进而增加工作成果发表的可能性,如,对于决策树一类的简单模型,提供模型可视化;对于深度神经网络一类的复杂模型,考虑使用 XAI(可解释人工智能)技术提取相关信息。

以上就是「避坑指南」的完整内容,期待每位刚接触机器学习的同学,都能收好这份宝典、常读常新,顺利找到研究方向、选好课题,并早日顺利发表论文!

期待各位的好消息~

原文链接

参考链接:How to avoid machine learning pitfalls: a guide for academic researchers

—— 完 ——

14、OpenClaw(龙虾助手)Skill 开发完整规范(2026最新版) OpenClaw Skill 开发指南摘要: Skill 是 OpenClaw AI 助手的核心扩展机制,支持声明式(SKILL.md)和原生代码(JS/TS/Python)两种开发模式。声明式 Skill 通过 Markdown 定义触发条件和执行流程,适合简单业务;原生代码 Skill 提供完整编程能力,适合复杂场景。开发需遵循标准化项目结构,包含 SKILL.md(元数据)、manifest.json(权限声明)等文件,并严格处理错误和多系统适配。新版要求原生 Skill 必须声明文件、网络等权限,确 阅读详情

相关推荐

一文搞懂【Linux 搭建 Dread Hunger 服务器】附本体及Docker部署集群方案

看直播发现了五花八门的开服器和版本,一时兴起按官方文档进行了搭建尝试,所以我的版本基于官方Stream2024.01.10更新的版本,也就是停服时的玩法,应该可以根据mod和补丁魔改成更那些开服器一样的版本,本文不做谈论,注重服务器搭建,毕竟8个人不可能在一个局域网里乱象:首先,我看了大量教程视频,一类是开服器的推广,另一类自建的基本采用Windows搭建,我觉得最离谱的是大部分教程都会教你买一台远程Windows虚拟机???

LHmine的博客 3990

机器学习(深度学习)

Python语言机器学习工具Scikit-learn包括许多智能的机器学习算法的实现Scikit-learn文档完善,容易上手,丰富的API接口函数sklearnscikit-learn中文社区数据量小,数据在sklearn库的本地,只要安装了sklearn,不用上网就可以获取数据量大,数据只能通过网络获取。

2301_78581215的博客 3万+

通俗解析:霍尔编码器、光电编码器、电位计、磁编码器和旋转变压器的实战选型指南

本文深入解析了霍尔编码器、光电编码器、电位计、磁编码器和旋转变压器五大主流编码器的工作原理与核心特性。通过对比精度、环境耐受性、成本及寿命等关键维度,并结合消费电子、工业自动化、汽车电子及极端环境等典型应用场景,提供了一份清晰的实战选型指南,旨在帮助工程师根据具体需求,在性能、可靠性与成本间做出最优决策。

weixin_29216353的博客 254

机器学习(Machine Learning)

Machine Learning, ML 机器学习

YYYMarshal的博客 1万+

autodl云服务器使用中的conda源报错

通过find path -name filename找到.condarc文件,在autodl服务器中,一般在/root/.condarc。为了利用jypyter打开conda虚拟环境运行,需要下载ipykenel。这个报错是源的问题,在通过源获取包元数据时出现了HTTP 429错误。通过conda换源解决。修改.condarc文件,命令: vim .condarc。但这样还不能解决问题,得把报错中有问题的源注释掉。通过以下命令添加清华镜像源。把报错的链接源注释如下。

Ty_kilig的博客 1584

Java后端实战:钉钉互动卡片消息从配置到生产级对接

在企业级消息推送场景中,机器人通知已从简单的文本向富交互演进。其核心原理在于通过可交互的卡片模板,将传统单向通知升级为双向、有状态的微型应用界面,实现了用户无需跳转即可完成操作的技术价值。这广泛应用于审批、任务确认、数据填报等需要即时反馈的业务流程。本文聚焦于钉钉平台,深入剖析其互动卡片消息机制,并基于Java后端,系统讲解如何实现包括安全验签、异步回调与卡片动态更新在内的生产级对接方案,涵盖配置管理、服务降级等工程实践关键点,助力构建稳定高效的企业消息交互服务。

weixin_30617737的博客 439

机器学习概述及其主要算法

本文介绍机器学习以及主要的算法

逐梦苍穹的博客 9993

八大核心深度学习算法详解:从CNN到Transformer的完整指南

深度学习作为人工智能的核心技术,通过多层神经网络模拟人脑学习机制。其基本原理是利用反向传播算法优化网络参数,从数据中自动提取特征表示。这一技术价值在于能够处理高维复杂数据,在图像识别、自然语言处理等领域实现突破性进展。卷积神经网络(CNN)通过局部连接和权值共享有效处理图像数据,而Transformer架构基于自注意力机制革新了序列建模方式。在实际工程实践中,CNN广泛应用于计算机视觉任务,如图像分类和目标检测;Transformer则成为自然语言处理的主流架构,支撑着BERT、GPT等预训练模型。本文系统

aoe41606的博客 433

机器学习入门基础(万字总结)(建议收藏!!!)

机器学习是人工智能的重要技术基础,涉及的内容十分广泛。本文章涵盖了机器学习的基础知识,主要包括机器学习的概述、 回归、分类、聚类、神经网络、文本分析、图像分析、深度学习等经典的机器学习基础知识,还包括深度学习入门等拔高内容。介绍机器学习的基础概念和知识,包括机器学习简史、主要流派、与人工智能、数据挖掘的关系、应用领域、算法、一般流程等。伴随着计算机计算能力的不断提升以及大数据时代的迅发展人工智能也取得了前所未有的进步。

subsistent的博客 22万+

SAP 接口测试操作-业务顾问

业务顾问测试接口操作

weixin_43657667的博客 5163

rk628d修改默认分辨率

在rk3568上使用628d hdmi转mipi,在628d已经调试好的情况下,客户新增需求:视频输入这边的推荐分辨率固定在1024x768。

m0_60805802的博客 2055

机器学习的介绍

机器学习是一种使计算机能够从数据中学习并改善自身性能的技术,而无需进行明确的编程。它依赖于模式识别和推理,通过统计模型和算法来实现特定任务。机器学习的核心在于让计算机从经验中学习,而不是通过手动编程来实现特定的任务。

2201_75874206的博客 8124

模式分类识别 | TCN时间卷积神经网络多特征分类预测(Matlab完整程序)

模式分类识别 | TCN时间卷积神经网络多特征分类预测(Matlab完整程序)

前程算法屋的博客 748

【2026收藏版】转行成为一名机器学习工程师,可行吗?(小白/程序员必看)

很多小白转行前,都会混淆“机器学习工程师”和“机器学习研究员”,尤其是2026年大模型技术普及后,两者的定位差异更加明显,Max Mynter在白皮书中明确给出了区分,小白必看:机器学习工程师,核心是“落地应用”——在企业中,利用机器学习(含大模型)技术解决实际业务问题,比如优化产品功能、提升企业效率、搭建AI应用等,重点是把技术转化为实际价值。而机器学习研究员,核心是“科研创新”——聚焦于开发新的算法、优化大模型架构,探索机器学习的前沿方向,不需要直接解决企业当下的业务需求,更偏向学术和技术突破。

ytt0523_com的博客 633

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

2025国自然放榜!现在备战2026,这些关键节点你必须知道

国家自然科学基金2025年度项目评审结果公布,资助率约12.3%,科研竞争日趋激烈。该基金对科研人员至关重要,关系课题开展、职称晋升及资源获取。青年教师、博士后等群体需提前准备2026年申请,把握仅剩的2-3个月撰写周期。建议申请人参考中标案例、专家意见,并通过一对一咨询提升标书质量,抢占科研先机。

weixin_44841013的博客 760

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

机器学习入门知识

随着人工智能的发展,作为人工智能中的一个基础且重要的分支——机器学习也是愈发吸引大家来了解以及学习,那么在学习机器学习前,我们需要先来了解一下什么是机器学习,以及机器学习中涉及了哪些内容。

CYTLOVELY的博客 7443

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

11.11机器学习_介绍和定义

Python语言机器学习工具Scikit-learn包括许多智能的机器学习算法的实现Scikit-learn文档完善,容易上手,丰富的API接口函数Scikit-learn官网:https://scikit-learn.org/stable/#Scikit-learn中文文档:https://scikitlearn.com.cn/scikit-learn中文社区数据量小,数据在sklearn库的本地,只要安装了sklearn,不用上网就可以获取数据量大,数据只能通过网络获取。

gs1we1的博客 4632

十大机器学习算法的一个小总结

在公众号看到来一篇不错的文章,讲解机器学习算法的,感觉挺好的,所以这里对常用的机器学习算法做一个小的总结, 然后根据学习李航老师的《统计学习方法》做得笔记,对这些算法进行补充。 简介   关于机器学习算法的研究已经获得了巨大的成功,哈佛商业评论甚至将数据科学家称为二十一世纪最具诱惑力的工作。 机器学习算法是在没有人为干涉的情况下,从大量的数据和历史经验中学习数据的结构并提升对某一目标的估计的算法。...

Miracle8070 1万+

五分钟了解机器学习的基本概念

三分钟了解机器学习的基本概念- 1、人工智能、机器学习、深度学习之间的关系 2、什么是机器学习? 3、机器学习的常见问题之 过拟合 4、如何克服过拟合? 5、机器学习的类型 6、分类和回归

NJUzzf98的博客 1万+

终于明白了!人工智能、机器学习、深度学习、集成学习及大模型的定义与联系

人工智能、机器学习、深度学习、集成学习和大模型等概念相互关联、相互支撑,共同构成了现代人工智能技术的核心框架,它们在不同领域发挥着重要作用,推动着科技的进步和社会的发展。随着技术的不断进步和应用场景的不断拓展,人工智能将在未来发挥更加重要的作用,为人类社会带来更多的福祉。

2401_85375186的博客 4373

机器学习概述

机器学习是一种人工智能技术,通过对数据的学习和分析,让计算机系统自动提高其性能。简而言之,机器学习是一种从数据中学习规律和模式的方法,通过数据来预测、分类或者决策。

Despicable_Me的博客 9804

机器学习笔记

从定义上来说,机器学习是一种功能、方法,或者更具体的说是一种算法,它能够赋予机器进行学习的能力,从而使机器完成一些通过编程无法直接实现的功能。从具体的实践意义来说,其实机器学习是利用大量数据训练出一个最优模型,然后再利用此模型预测出其他数据的一种方法。比如要识别猫、狗照片就要拿它们各自的照片提炼出相应的特征(比如耳朵、脸型、鼻子等),从而训练出一个具有预测能力的模型。机器学习与人工智能、深度学习有什么关系呢?从图中可以看出,机器学习是人工智能的一部分,而深度学习又是机器学习的一部分。

weixin_51118573的博客 3390

机器学习教程(非常详细)从零基础入门到精通,看完这一篇就够了

从广义上来说,机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说,机器学习是一种通过利用数据,训练出模型,然后使用模型预测的一种方法。

Python84310366的博客 3万+

机器学习系列(一)——机器学习简介

前前后后接触机器学习也有一年时间,但一直没有系统整理总结过。从本篇博客开始,将记录下我的学习内容与参考资料,系列按照李宏毅的机器学习课程,吴恩达的机器学习课程和周志华的西瓜书为主线。 发展历程 \quad人类一直试图让机器具有智能,也就是人工智能(Artificial Intelligence)。从上世纪50年代,人工智能的发展经历了“推理期”,通过赋予机器逻辑推理能力使机器获得智能,当时...

zxhohai的博客 25万+

1.1 机器学习简介

机器学习(Machine Learning)是研究计算机如何模拟或实现人类的学习行为,以便获取新的知识或技能,并通过重新组织已有的知识结构来不断改善其自身性能。机器学习在人工智能中占据重要位置,是实现人工智能的关键途径之一。研究方向:机器学习是人工智能的一个研究方向,主要研究对象是人工智能算法,研究重点是如何在经验学习中改善具体算法的性能。自动改进:机器学习研究能通过经验来自动改进自身的算法,这使得计算机能够从数据中学习,不断提升其决策能力。数据驱动。

tang7mj的博客 2551
上一篇: 《流浪地球 2》 Deepfake 小试牛刀,45+ 吴京「被」年轻,变身 21 岁小鲜肉
下一篇: 【TVM 学习资料】使用 TVMC Python 入门:TVM 的高级 API
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值