从系列:机器学习概论
亚当•Filion MathWorks
探索机器学习背后的基本原理。了解两种常用的机器学习方法:
您还将了解这些方法中的三种常见技术:
今天,我们将讨论机器学习。我们将集中讨论它是什么以及为什么你想要使用它。
机器学习教计算机做人类天生擅长的事情:从经验中学习。
对于涉及大量数据和许多变量的复杂问题,它是伟大的,但没有现有的公式或方程来描述系统。
机器学习应用的一些常见场景包括:
机器学习使用两种技术:
无监督学习从没有标记与输入数据相关的响应的数据集进行推断。
聚类是最常见的无监督学习技术。它根据数据的共同特征将数据分成不同的组。
聚类在基因序列分析、市场研究和目标识别等应用中被用来发现隐藏的分组。
另一方面,监督学习要求输入数据的每个例子都带有正确标记的输出。它使用这些标记的数据,连同分类和回归技术,来开发预测模型。
分类技术预测离散的反应,比如电子邮件是真实的还是垃圾邮件。本质上,这些模型将输入数据分类为一组预先确定的类别。
回归技术预测持续的响应——比如恒温器的温度应该设定在什么水平,或者电力需求的波动。
这里监督学习和非监督学习的最大区别是监督学习需要正确标记的例子来训练机器学习模型,然后用这个模型来标记新的数据。
请记住:您使用的技术和您选择的算法,取决于您正在处理的数据的大小和类型,您想从数据中获得的见解,以及这些见解将如何使用。我们将在接下来的几个视频中更多地讨论这些技巧。
现在,这是机器学习的一个非常简短的概述。请务必查看描述以获得更多信息。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。