机器学习包含五大模块 覆盖监督、无监督与强化学习
机器学习（Machine Learning，ML）是人工智能的子领域，研究计算机通过数据或经验自动改进算法性能，核心模块含监督学习、无监督学习与强化学习，1959年由Arthur Samuel提出，解决的是从数据中学习规律辅助决策与预测的问…
标签：机器学习
机器学习基本概念与损失函数 训练目标是最小化损失
机器学习是从数据中归纳规律、无需显式编程的建模方法；监督学习用损失函数（Loss Function）衡量预测与真实标签的差距，由模型参数与单样本误差构成，训练目标是最小化损失并按学习率做梯度下降。损失函数解决的是模型好坏缺少统一标尺的问题，…
机器学习核心是用数据驱动 AI 而非人工编写规则
机器学习（Machine Learning）是以数据而非人工编写规则来驱动AI的一类方法，训练素材覆盖图像、语音、文字与诊断报告等，模型从数据中归纳规律形成能力。机器学习解决的是规则难以穷举、需从样本中自动学习规律的问题，并不解决训练数据偏…
机器学习为什么重要？
机器学习之所以重要，是因为它是人工智能从规则驱动走向数据驱动的核心动力，核心价值包括支撑语音识别、机器翻译与推荐算法，以及在围棋等复杂对弈中击败人类世界冠军，解决的是AI系统无法靠穷举规则完成感知与决策的问题，并不解决算力与数据获取成本高昂…
机器学习是怎么工作的？
机器学习的工作过程是用数据训练模型并预测未见样本的循环，核心步骤包括准备数据、建模与训练，模型用公式表达输入输出的映射，训练通过对比预测与答案修正参数，例如用历年温湿度数据可学到湿度大于80%时约80%会下雨，解决的是从历史数据到未来预测的…
机器学习有哪三种基本类型？
机器学习（Machine Learning）按学习方式分为三大类别，构成上包括监督学习（Supervised Learning）、无监督学习与强化学习三类，分别对应带标注数据训练、无标注数据自行发现规律与试错获取奖励，解决的是方法选型问题，…
机器学习是什么？
机器学习（Machine Learning）是让计算机从数据中自动归纳规律、而非依靠人工编写硬编码规则完成识别与预测的算法统称，核心构成包括数据、模型与训练三要素，解决的是规则复杂、难覆盖意外情况时传统编程失效的问题，并不解决数据质量与标注…
机器学习中的回归问题是什么?
机器学习中的回归问题是依据样本的已知属性连续取值、训练模型并预测新样本输出数值的一类学习任务，核心构成包括损失度量、拟合算法与模型选择，常用回归模型有决策树模型、随机森林、GBDT模型、回归树模型与支持向量机模型，解决的是连续型目标值的预测…
机器学习算法依托的问题场景有哪些？
机器学习算法依托的问题场景，是无法用固定规则编程、只能靠数据归纳规律的判别与决策情境，包括有标注样本的监督学习、无标注样本的无监督学习与靠交互反馈调整行为的强化学习，理论基础横跨概率论、统计学等学科，解决的是无程序可循的预测难题与算法设计问…
机器学习的应用场景有哪些？
机器学习应用场景是数据驱动方法在具体行业中的落点，构成上包括数据挖掘、计算机视觉、自然语言处理、医学诊断、欺诈检测与机器人控制，落地形态如智能假肢、手术机器人、人脸门禁与工业机械臂，解决的是人工判断难覆盖的识别与决策效率问题，并不解决数据获…
机器学习基本流程包含哪些？
机器学习基本流程是让模型从原始数据走向可用预测的标准工作流，构成上包括数据预处理、模型学习、模型评估与新样本预测四步，其中预处理完成特征处理、幅度缩放、维度约减与采样并划分训练集和测试集，解决的是从杂乱数据到稳定模型的全流程衔接问题，并不解…