收藏:机器学习27张速查表、13种算法和4种学习方法

2018-02-10 MedSci MedSci原创

机器学习的算法很多。很多时候困惑人们都是,很多算法是一类算法,而有些算法又是从其他算法中延伸出来的。这里,我们从两个方面来给大家介绍,第一个方面是学习的方式,第二个方面是算法的分类。 一、4大主要学习方式 1.监督式学习 在监督式学习下,输入数据被称为“训练数据”,每组训练数据有一个明确的标识或结果,如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”,对手写数字识别中的“1“,”2“,”

机器学习的算法很多。很多时候困惑人们都是,很多算法是一类算法,而有些算法又是从其他算法中延伸出来的。这里,我们从两个方面来给大家介绍,第一个方面是学习的方式,第二个方面是算法的分类。 一、4大主要学习方式 1.监督式学习 在监督式学习下,输入数据被称为“训练数据”,每组训练数据有一个明确的标识或结果,如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”,对手写数字识别中的“1“,”2“,”3“,”4“等。 在建立预测模型的时候,监督式学习建立一个学习过程,将预测结果与“训练数据”的实际结果进行比较,不断的调整预测模型,直到模型的预测结果达到一个预期的准确率。 监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归(Logistic Regression)和反向传递神经网络(Back Propagation Neural Network)。 2.强化学习 在这种学习模式下,输入数据作为对模型的反馈,不像监督模型那样,输入数据仅仅是作为一个检查模型对错的方式,在强化学习下,输入数据直接反馈到模型,模型必须对此立刻作出调整。 常见的应用场景包括动态系统以及机器人控制等。常见算法包括Q-L

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (3)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=1583117, encodeId=b289158311ef8, content=<a href='/topic/show?id=f6e1611840d' target=_blank style='color:#2F92EE;'>#机器#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=30, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=61184, encryptionId=f6e1611840d, topicName=机器)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=13dc16973127, createdName=ms6279672939590805, createdTime=Mon Feb 12 01:38:00 CST 2018, time=2018-02-12, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=286797, encodeId=1e78286e9701, content=谢谢分享学习, beContent=null, objectType=article, channel=null, level=null, likeNumber=65, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=https://wx.qlogo.cn/mmopen/Q3auHgzwzM4o2XVpJ6449yqDsjibydI5HnJ8MibGxNn4HZiaZib0bdfibbwoz3KQrIyN9AGxq36ZlZRNicYlPfOOWMtwgsajY6mGNFiaPclFdowjD0/0, createdBy=97bd1338592, createdName=清风拂面, createdTime=Sat Feb 10 12:46:27 CST 2018, time=2018-02-10, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=286792, encodeId=12cf286e9244, content=学习, beContent=null, objectType=article, channel=null, level=null, likeNumber=81, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=https://wx.qlogo.cn/mmopen/vi_32/iaAVWEsIJUkA1ITy3uL0lhHUhyaJibWgFtH4KbJuaLbY2WUK33jgCFyoZ8Eqx7eE7hCuZhytc1C5GRrfjVXN8lYg/0, createdBy=fcb82149579, createdName=183****7028, createdTime=Sat Feb 10 12:39:40 CST 2018, time=2018-02-10, status=1, ipAttribution=)]
  2. [GetPortalCommentsPageByObjectIdResponse(id=1583117, encodeId=b289158311ef8, content=<a href='/topic/show?id=f6e1611840d' target=_blank style='color:#2F92EE;'>#机器#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=30, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=61184, encryptionId=f6e1611840d, topicName=机器)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=13dc16973127, createdName=ms6279672939590805, createdTime=Mon Feb 12 01:38:00 CST 2018, time=2018-02-12, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=286797, encodeId=1e78286e9701, content=谢谢分享学习, beContent=null, objectType=article, channel=null, level=null, likeNumber=65, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=https://wx.qlogo.cn/mmopen/Q3auHgzwzM4o2XVpJ6449yqDsjibydI5HnJ8MibGxNn4HZiaZib0bdfibbwoz3KQrIyN9AGxq36ZlZRNicYlPfOOWMtwgsajY6mGNFiaPclFdowjD0/0, createdBy=97bd1338592, createdName=清风拂面, createdTime=Sat Feb 10 12:46:27 CST 2018, time=2018-02-10, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=286792, encodeId=12cf286e9244, content=学习, beContent=null, objectType=article, channel=null, level=null, likeNumber=81, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=https://wx.qlogo.cn/mmopen/vi_32/iaAVWEsIJUkA1ITy3uL0lhHUhyaJibWgFtH4KbJuaLbY2WUK33jgCFyoZ8Eqx7eE7hCuZhytc1C5GRrfjVXN8lYg/0, createdBy=fcb82149579, createdName=183****7028, createdTime=Sat Feb 10 12:39:40 CST 2018, time=2018-02-10, status=1, ipAttribution=)]
    2018-02-10 清风拂面

    谢谢分享学习

    0

  3. [GetPortalCommentsPageByObjectIdResponse(id=1583117, encodeId=b289158311ef8, content=<a href='/topic/show?id=f6e1611840d' target=_blank style='color:#2F92EE;'>#机器#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=30, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=61184, encryptionId=f6e1611840d, topicName=机器)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=13dc16973127, createdName=ms6279672939590805, createdTime=Mon Feb 12 01:38:00 CST 2018, time=2018-02-12, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=286797, encodeId=1e78286e9701, content=谢谢分享学习, beContent=null, objectType=article, channel=null, level=null, likeNumber=65, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=https://wx.qlogo.cn/mmopen/Q3auHgzwzM4o2XVpJ6449yqDsjibydI5HnJ8MibGxNn4HZiaZib0bdfibbwoz3KQrIyN9AGxq36ZlZRNicYlPfOOWMtwgsajY6mGNFiaPclFdowjD0/0, createdBy=97bd1338592, createdName=清风拂面, createdTime=Sat Feb 10 12:46:27 CST 2018, time=2018-02-10, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=286792, encodeId=12cf286e9244, content=学习, beContent=null, objectType=article, channel=null, level=null, likeNumber=81, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=https://wx.qlogo.cn/mmopen/vi_32/iaAVWEsIJUkA1ITy3uL0lhHUhyaJibWgFtH4KbJuaLbY2WUK33jgCFyoZ8Eqx7eE7hCuZhytc1C5GRrfjVXN8lYg/0, createdBy=fcb82149579, createdName=183****7028, createdTime=Sat Feb 10 12:39:40 CST 2018, time=2018-02-10, status=1, ipAttribution=)]
    2018-02-10 183****7028

    学习

    0

相关资讯

详解:如何用Python实现机器学习算法(2)

二、逻辑回归 全部代码下载 1、代价函数 可以综合起来为:   其中:   为什么不用线性回归的代价函数表示,因为线性回归的代价函数可能是非凸的,对于分类问题,使用梯度下降很难得到最小值,上面的代价函数是凸函数 的图像如下,即y=1时:  可以看出,当

详解:如何用Python实现机器学习算法(4)

四、SVM支持向量机 1、代价函数 在逻辑回归中,我们的代价为: , 其中: , 如图所示,如果y=1,cost代价函数如图所示 我们想让,即z>>0,这样的话cost代价函数才会趋于最小(这是我们想要的),所以用途中红色的函数代替逻辑回归中的cost 当y=0时同样,用代替 

详解:如何用Python实现机器学习算法(5)

六、PCA主成分分析(降维) 全部代码 1、用处 数据压缩(Data Compression),使程序运行更快 可视化数据,例如3D-->2D等 ...... 2、2D-->1D,nD-->kD 如下图所示,所有数据点可以投影到一条直线,是投影距离的平方和(投影误差)最小  注意数据需要归一

详解:如何用Python实现机器学习算法(6)

七、异常检测 Anomaly Detection 全部代码 https://github.com/lawlite19/MachineLearning_Python/blob/master/AnomalyDetection/AnomalyDetection.py 1、高斯分布(正态分布)Gaussian distribution 分布函数: 其中

详解:如何用Python实现机器学习算法(3)

三、BP神经网络 全部代码 https://github.com/lawlite19/MachineLearning_Python/blob/master/NeuralNetwok/NeuralNetwork.py 1、神经网络model 先介绍个三层的神经网络,如下图所示 输入层(input layer)有三个units(为补上的bias

机器学习的明天——迁移学习

DeepMind创造的AlphaGo让人为之赞叹,让柯洁为之疯狂。而背后,从机器学习的角度,充分证明了深度强化学习和大数据的重要意义。DeepMind就是将深度学习应用到强化学习的范例,DeepMind把端到端的深度学习应用在强化学习上,使强化学习能够应付大数据,因此可以在围棋上把人类完全击倒,它做到这样是通过完全的自学习、自优化,然后一直迭代。 从科学的角度看AlphaGo到底有没有弱