超级会员免费看
本文详述了机器学习的七种任务，包括分类、回归、聚类、排名、密度估计、降维和序贯决策。分类和回归在监督学习中扮演关键角色，前者处理离散型数据，后者处理连续型数据。聚类是无监督学习任务，根据数据内在关系分组。排名任务涉及对象的有序排列，而降维则致力于高维数据的低维表示。此外，文章还探讨了关联规则学习、生成对抗网络和迁移学习等其他任务。
10.1 叙述什么是机器学习的任务，以及与人工智能某个分支的任务（例如人脸识别）之间的区别
机器学习的任务表示用机器学习解决的基本问题。
与机器学习的任务相比，人工智能的某个分支（例如人脸识别）旨在让计算机系统具备类似人类的智能，使其能够执行复杂的任务，例如感知、理解、推理和决策。人工智能的目标不仅仅是让计算机从数据中学习，而是使其具备更高级别的智能和自主性。例如在人脸识别中，机器学习的任务是来识别人脸特征和模式，而人工智能不仅要识别人脸特征和模式还需要理解人脸图像、推断身份和情绪等信息。因此，人工智能的任务更加广泛和复杂，涉及更多的认知能力和智能表现。
10.2 本章将机器学习的任务梳理为七种，即：分类、回归、聚类、排名、密度估计、降维、序贯决策。此外，你任务还有哪些共性（即不依赖于某种具体应用）的机器学习任务？
关联规则学习（Association Rule Learning）：关联规则学习用于发现数据集中项之间的关联关系，例如购物篮分析中的商品组合。这有助于理解数据中的模式和趋势。
生成对抗网络（Generative Adversarial Networks，GANs）：GANs是一种生成模型，由生成器和判别器组成。生成器试图生成逼真的数据样本，而判别器则试图区分生成的样本和真实的样本。这种对抗训练的
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
