机器学习概论

本文探讨了机器学习的三大从业方向,介绍了模型选择策略,包括监督与非监督学习,以及深度学习的应用限制。同时,文章列举了机器学习在数据挖掘、计算机视觉、自然语言处理和机器人决策四大领域的具体应用,并提出了一条从传统到深度再到强化的学习路线。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 

一、机器学习从业方向

从事机器学习的从业人员大致分为以下三类:

1.“重造轮子”学派:如百度的PaddlePaddle

2.“参数调教”学派:如一些研究院或学校,为了发表文章而过于注重参数调优,从而导致了模型过拟合。

3.“拳打脚踢”学派:研发人员都分散在业务组,他们都不会在参数调优上浪费时间,而是更注重实际业务的处理。

 

二、机器学习模型选择。

  机器学习有监督学习和非监督学习两类。

  1. 监督学习有:决策树、K近邻、贝叶斯决策、SVM、逻辑回归等。

  2.非监督学习有:K means,PCA等。

  近来深度学习得到了飞速的发展,但是由于其模型的复杂与不好解释等特性,其在实际中的应用还是有应用限制,并且由于深度学习需要大量的数据来训练庞大的神经网络,因此它更使用与有数据的应用场景:图片,语音,广告推送等。

  如果数据量小,稀疏的数据不足以支撑复杂神经网络的训练的时候,深度学习的表现就不是那么理想,反而传统的机器学习方法,或更进一步说一些简单的线性分类器反而能表现出非常卓越的性能。

三、机器学习中比较活跃的四大应用领域:

          

 1. 数据挖掘:糖尿病预测、血糖值预测等,数据集一般都是一些关系型数据库。

 2. 计算机视觉:图片分类、目标检测、语义分割、场景理解、人脸识别等,数据集一般都是一些图片。

 3. 自然语言处理:文本分类、自动生成文本摘要、翻译、人机对话等,数据集一般是一些语音数据或文本资料。

 4. 机器人决策:自动驾驶、机器人开门等

   

四、对自身的要求。

1.路线:传统机器学习->深度学习->强化学习(实际场景可能对机器学习的要求不同)

2.方法:循序渐进

3.使用现有的模型入sklearn /tensorflow/…………等进行训练,基于先用应用的一些基础,解决自己的问题。

4.在掌握好基本机器学习方法的情况下,可以参加几次比赛验证自己的水平。

5.将机器学习模型进行移植,解决自己的问题。

评论
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