10、机器学习模型训练与部署及神经网络入门

机器学习模型训练与部署及神经网络入门

一、机器学习的基础与训练

在机器学习中，若要从大量图像中提取和选择特征，“大量”图像并没有一个确切的标准。理想的数量应能准确代表或近似你要建模的现实场景。特征集的一个关键属性是可重复性，一般来说，图像数量越多，模型的潜在效果越好。

训练集通常分为两类，对应两种机器学习类型：监督学习和无监督学习。

1. 监督学习

   • 示例说明 ：假设有一个 8×8 的图像，其 64 个像素值就是特征。若有多个这样的图像，提取像素值组成特征集，每个图像的 64 个特征排列成数组（或向量），特征集的行数与训练集中图像的数量相同，每行代表一个不同的图像。若要训练一个模型对输入图像进行分类，如判断图像中是狗还是猫，且这些训练图像已被标记，即明确哪些图像包含狗，哪些包含猫。
   • 定义 ：当将包含特征向量和相关标签的数据集输入学习算法来训练机器学习模型时，这就是监督学习。
   • 常见算法 ：有支持向量机（SVM）、线性回归、逻辑回归、决策树、随机森林、人工神经网络（ANN）和卷积神经网络（CNN）等。

2. 无监督学习

   • 用途 ：可用于数据集聚类和分组，还能为监督学习算法生成标签。
   • 常见算法