首页 
编程网站导航 机器学习教程
机器学习，通常缩写为ML，是的一个分支人工智能(AI)它致力于算法开发和统计模型，允许计算机从数据中学习， 并在没有明确编程的情况下做出预测或决策。因此，用更简单的术语来说，机器学习允许计算机从数据中学习并做出决策或预测，而无需明确编程 从本质上讲，机器学习算法从数据中学习模式和关系，允许它们从实例中进行概括，并对新的和未发现的数据做出预测或结论。
机器学习是如何工作的 ？
广义的机器学习流程包括项目设置、数据准备、建模和部署。下图演示了机器学习的常见工作流程。它遵循一些步骤来完成任务 ； 其工作流程的顺序过程如下 -
机器学习的阶段
机器学习的详细顺序过程包括一些阶段的步骤 ， 它们是 -
- 数据收集: 数据收集是机器学习过程中的第一步.数据是机器学习的基本组成部分 ， 数据的质量和数量会直接影响模型性能.不同的来源 ， 如数据库 ， 文本文件 ， 图片 ， 声音文件 ， 或网页抓取可用于数据收集.收集数据后 ， 需要为机器学习做好准备.此过程是以适当的格式组织数据 ， 例如 CSV 文件或数据库 ， 并确保它们对解决您的问题很有用
- 数据预处理 ： 数据预处理是机器学习过程中的关键步骤.它涉及删除重复数据 ， 修复错误 ， 通过消除或填充数据来管理丢失的数据 ， 以及调整和格式化数据.预处理可提高数据质量 ， 并确保您的机器学习模型能够正确读取数据.此步骤可能会显著提高模型的准确性
- 选择正确的模型 ： 下一步是选择一个机器学习模型; 一旦数据准备好 ， 我们就将其应用于 ML 模型 ， 如线性回归 ， 决策树和神经网络 ， 可以选择实现.模型的选择通常取决于您处理的是哪种数据以及您的问题.选择要应用的模型时 ， 应考虑数据的大小和类型、复杂性和计算资源
- 训练模型 ： 下一步是使用选择模型后准备的数据对其进行训练。训练是将数据连接到模型 ， 并使其能够调整其参数以更准确地预测输出。在训练过程中必须避免过度拟合和欠拟合。
- 评估模型 ： 在模型训练完成后 ， 在部署之前评估模型的性能非常重要.这意味着模型必须在他们在训练期间无法看到的新数据上进行测试.分类问题的准确性 ， 二元分类问题的精度和召回率以及回归问题的均方误差是评估模型性能的常用指标
- 超参数调整和优化 ： 评估模型后 ， 您可能需要调整其超参数以使其更高效。网格搜索 （ 尝试不同的参数组合 ） 和交叉验证 （ 将数据划分为子集并在每个子集上训练模型以确保其在不同数据集上表现良好 ） 是超参数调整的技术。
- 预测和部署 ： 该模型的部署涉及将其集成到生产环境中, 在该环境中, 该模型能够处理真实世界的数据并提供及时的信息。
机器学习的类型
机器学习模型分为以下几类 ：
- 受监督的机器学习 （ SVM ） ： 受监督的机器学习 使用带标签的数据集来训练算法以对数据进行分类或预测结果。当输入数据输入到模型中时 ， 其权重会修改 ， 直到其适合模型为止 ； 此过程称为交叉验证 ， 可确保模型不会过度拟合或欠拟合。
监督式学习可帮助组织在收件箱的不同文件夹中扩展垃圾邮件分类等实际挑战。监督式学习的不同方法包括神经网络、朴素贝叶斯、线性回归、逻辑回归、随机森林和 SVM 。
-
无监督机器学习 ： 无监督机器学习 使用机器学习方法对未标记的数据集进行分析和聚类。该算法无需人工交互即可找到隐藏的模式或数据分组。该方法可用于探索性数据分析 ， 交叉销售 ， 消费者细分以及图像和模式识别。
它还使用主成分分析 （ PCA ） 和奇异值分解 （ SVD ） 的主要方法通过降维来减少模型特征。神经网络 ， k 均值聚类和概率聚类是无监督学习的一些流行方法。 -
半监督学习 ： 顾名思义 ； 半监督学习 是监督学习和无监督学习的集成。此方法使用标记和未标记数据来训练 ML 模型以执行分类和回归任务。半监督学习是解决用户没有足够的标记数据用于监督学习算法的问题的最佳实践。
因此 ， 这是解决数据部分标记或未标记问题的合适方法。自训练 ， 联合训练和基于图的标记是一些流行的半监督学习方法。 -
强化机器学习 ： 强化机器学习 是一种类似于监督学习的机器学习模型 ， 但不使用样本数据来训练算法。该模型通过反复试验来学习。
一系列良好的结果将得到加强 ， 以针对特定问题创建最佳建议或政策。
常见的机器学习算法
常用的几种机器学习算法包括 ：
- 神经网络 ： 神经网络的功能类似于人脑 ， 包括多个链接的处理节点。神经网络擅长模式识别 ， 并用于不同的应用 ， 例如自然语言处理 ， 图像识别 ， 语音识别和创建图像。
- 线性回归 ： 该算法使用变量之间的线性关系来预测数值。例如 ， 线性回归用于根据特定区域的过去数据预测房价。
- 逻辑回归 ： 这种有监督的学习方法可以预测分类变量 ， 例如对问题的 “是 / 否 ” 答复。它适用于垃圾邮件分类和生产线上的质量控制等应用。
- 群集: 聚类算法使用无监督学习来查找数据中的模式并相应地对其进行组织。计算机可以通过识别人类忽略的数据项之间的差异来帮助数据科学家。
- 决策树 ： 与神经网络不同, 决策树易于验证和审计。
- 随机森林: ML 通过集成来自不同决策树的结果来预测值或类别。
机器学习的重要性
机器学习在自动化 ， 从数据中提取见解和决策过程中很重要。由于以下原因 ， 它具有重要意义 ：
- 数据处理: 机器学习变得如此重要的主要原因是处理和理解大量数据.鉴于来自社交媒体 ， 传感器和其他来源的数字信息的爆炸式增长 ， 传统的数据分析方法正变得不足.这些数据很重要 ， 揭示了隐藏的模式 ， 并为决策过程提供了宝贵的洞察力 ， 可以被机器学习算法利用。
- 数据驱动的见解 ： 机器学习算法可以在大数据集中找到人类无法找到的模式、趋势和相关性 ， 利用这些信息可以做出更好的决策和预测。
- 自动化: 机器学习使手动活动自动化 ， 通过从数据中学习并随着时间的推移进行改进 ， 节省时间并减少错误 ， ML 算法可以执行以前的手动任务 ， 使人类能够专注于更复杂和创造性的任务.这不仅提高了效率 ， 而且为创新开辟了新的可能性.数据输入、分类和异常检测可以通过机器学习实现自动化
- 个性化: 可以使用机器学习算法分析用户的偏好和行为 ， 以生成个性化的推荐和体验。它通过提供一种提高用户参与度和满意度的方法 ， 在电子商务和流媒体服务等社交媒体中得到了最广泛的应用。
- 预测分析 ： 可以训练机器学习模型 ， 以根据过去的数据预测后续结果。这对于销售预测 ， 风险管理和需求计划等不同应用程序很有用。
- 优化: 机器学习算法优化系统和流程以提高效率和性能。它们的智能电网优化包括供应链物流 ， 资源分配和能源消耗。
- 模式识别: 机器学习在图像 ， 音频和自然语言处理中很有用 ， 因为它可以轻松 ， 及时地识别复杂的数据模式。
- 医疗保健: 机器学习用于疾病诊断、疾病暴发、个性化患者治疗计划、个性化治疗计划、医学影像准确性、药物发现、精准诊断、医学图像处理、基因组数据、电子健康档案等。
- Finance: 机器学习用于信用评分 ， 算法交易和欺诈检测。
- 零售 ： 机器学习也可以用于推荐系统、供应链或客户服务。
- 欺诈检测和网络安全 ： 机器学习算法可以通过实时检测和缓解安全威胁来检测金融交易的欺诈行为模式 ， 它也用于增强网络安全。
- 持续改进: 可以定期使用新数据训练和更新机器学习模型 ， 使它们能够适应环境的变化并随着时间的推移而改进。
机器学习使组织能够利用数据的力量来获得洞察力 ， 简化流程并推动各个领域的创新。
机器学习的应用
如今 ， 机器学习几乎无处不在。但是 ， 机器学习的一些最常用的适用领域是 ：
- 语音识别: 它也称为自动语音识别 （ ASR ） ， 计算机语音识别或语音到文本 ， 它是一种使用自然语言处理 （ NLP ） 将人类语音转换为书面格式的功能。为了执行语音搜索 （ 例如 Siri ） 或改善文本可访问性 ， 大量移动设备将语音识别集成到其系统中。
- 客户服务: 聊天机器人正在取代网站和社交媒体上的人工操作员 ， 影响客户参与度。聊天机器人回答运输常见问题 ， 提供个性化建议 ， 交叉销售产品和推荐尺寸。一些常见的例子是电子商务网站上的虚拟代理、 Slack 和 Facebook Messenger 机器人 ， 以及虚拟和语音助手。
- 计算机视觉 ： 这种人工智能技术使计算机可以从数字图像 ， 视频和其他视觉输入中获取有意义的信息 ， 然后将其用于适当的动作。由卷积神经网络提供支持的计算机视觉用于社交媒体上的照片标记 ， 医疗保健中的放射学成像以及汽车行业中的自动驾驶汽车。
- 推荐引擎 ： AI 算法可能有助于检测数据中的趋势 ， 这些趋势可能有助于使用过去的数据模式开发更有效的营销策略。在线零售商使用推荐引擎为其客户提供购买过程的相关产品推荐。
- 机器人过程自动化 （ RPA ） ： RPA 也被称为软件机器人 ， 它使用智能自动化技术来执行重复性的手动任务。
- 自动股票交易 ： 人工智能驱动的高频交易平台旨在优化股票投资组合 ， 每天进行数千甚至数百万笔交易 ， 而无需人工干预。
- 欺诈检测: 机器学习能够检测银行和金融部门其他机构的可疑交易。可以根据最近欺诈交易的知识 ， 通过监督学习来训练模型。异常检测可以识别出现异常并需要跟进的交易。
目标受众
This 机器学习教程 已经为那些想要了解机器学习的基础知识和进展的人做好了准备.从更广泛的意义上说 ， ML 是人工智能 （ AI ） 的一个子集 ， 它专注于开发算法和模型 ， 使计算机能够从数据中学习并做出预测或决策 ， 而无需明确编程.机器学习需要数据.此数据可以是文本、图像、音频、数字或视频.数据的质量和数量在很大程度上影响机器学习模型的性能.特征是用于预测或决定的数据质量.特征选择和工程需要为模型选择和格式化最相关的特征
学习机器学习的先决条件
您应该对机器学习的技术方面有基本的了解.学习者应熟悉数据、信息及其基础知识.数据 ， 信息 ， 结构化数据 ， 非结构化数据 ， 半结构化数据 ， 数据处理和人工智能基础知识; 精通标记 / 未标记数据 ， 从数据中提取特征以及它们在 ML 中解决常见问题的应用是必须的
在探索机器学习概念之前 ， 算法和数学模型是最重要的学习内容。这些先决条件为机器学习奠定了坚实的基础 ， 但同样重要的是要了解具体要求可能会根据机器学习模型、复杂性、尖端技术和工作性质而有所不同。