Loren Shure,Mathworks
通过Loren Shure在此概述中完成三种机器学习(聚类,分类和回归)。
在这段视频中,你会得到什么是机器学习的一个总结。您将从学习集群开始,它可以帮助您将一组事物划分为具有不同属性的组。接下来将探讨分类,将其用于图像中的对象检测、预测性维护和垃圾邮件检测等应用程序。最后,你会听到回归,它是用来建立模型,预测响应沿着一个连续体给定的其他特征。
机器学习是关于统计模型的。
你可能知道参数模型,比如当你计算月球的质量时,你有一个公式。如果你知道这些变量,你可以把它们代入并进行数学计算。
有时你没有公式,但你有一吨数据,你想找到模式或做出预测。在这种情况下,您可以使用nonparametric.机器学习模型。
我是Loren Shure,我是一名科学家,在MathWorks工作了30多年。下面我将介绍机器学习的三种类型:聚类、分类和回归。
首先,我们将讨论聚类。
假设我给你一叠上面有图片的卡片,让你把这些卡片分组。不同的人以不同的方式将这些卡片分组。
这些卡片上是什么导致了这种情况的发生?嗯,它们是狗、猫和鸟的图片。
有些人会说:“啊哈!我在这里看到了三种不同的群体:很明显,狗、猫和鸟。”
有些人看到四条腿的动物和两条腿的动物,然后把卡片分成两摞。
那些把它们放入一堆的人可能会说,“他们都是动物!”
那么,谁是对的呢?你们都是,因为指令只是说要把卡片分组。
这就是集群:集群帮助您将一组事物划分为具有不同属性的组。
现在让我们继续分类。
你有相同的卡片,每一张都有三个类别:狗,猫,或鸟。
你需要确定有助于区分不同动物的特征。
你使用这些特征来训练一个模型,它将决定某物是被标记为狗、猫还是鸟。
现在我给你一个新的形象。它属于哪个类别?好吧,让我们通过模型来弄错。
这个模型只擅长于分类狗、猫和鸟,但很明显它不适用于其他任何东西。它对那匹马尽了最大努力。
这是分类,您将在图像,预测性维护和垃圾邮件检测中使用它对对象检测等物品。
第三种类型的机器学习是回归,而不是分类到有限数量的输出,我们试图找到一个连续的答案,比如动物的最大奔跑速度。
要构建将预测速度的模型,我们会在我们之前做的 - 选择可能相关的功能。例如,让我们尝试动物的重量以及它的腿是多长时间的。
该模型利用这些特征来估计动物在速度连续体上的位置。
这是回归。回归模型被用于很多应用中——比如预测用电量或股票价格。
这就是三种不同的机器学习。
机器学习是一个非常复杂的话题,我在这里只是略读了一下。你可能听说过深度学习,这是一种机器学习,你不需要手动选择功能。相反,这些特征是作为模型训练过程的一部分来学习的,但它会花费你更多的数据。
有关更多实用信息和灵感,请从下面的链接开始。