MOOC《人工智能:模型与算法》笔记 chapter 5

本文介绍了机器学习中的监督学习方法,包括数据特征提取、线性回归示例以及提升算法中的AdaBoosting。通过实例演示了如何使用线性回归分析变量关系,并探讨了如何通过弱分类器的组合形成强大分类器,涉及霍夫丁不等式和PAC理论。

这一章围绕机器学习中的一个重要方法——监督学习展开,分别从机器学习的基本概念,线性回归分析,提升算法三个方面来介绍。 

一·机器学习: 从数据中学习知识

机器学习:
1. 原始数据中提取特征
2. 学习映射函数 𝑓
3. 通过映射函数 𝑓 将原始数据映射到语义空间,即寻找数据和任务目标之间的关系
机器学习的分类
1.监督学习 (supervised learning)
数据有标签、一般为回归或分类等任务
2.无监督学习 (un-supervised learning)
数据无标签、一般为聚类或若干降维任务
3.强化学习 (reinforcement learning)
序列数据决策学习,一般为与从环境交互中学习
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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