Pembelajaran Mesin - Bermula
Pembelajaran mesin ialah satu cabang kecerdasan buatan. Penyelidikan mengenai kecerdasan buatan mengikuti jalan semula jadi dan jelas daripada memfokuskan pada "penaakulan" kepada memberi tumpuan kepada "pengetahuan" dan kemudian kepada "pembelajaran". Jelas sekali, pembelajaran mesin ialah satu cara untuk merealisasikan kecerdasan buatan, iaitu, menggunakan pembelajaran mesin sebagai cara untuk menyelesaikan masalah dalam kecerdasan buatan. Dalam 30 tahun yang lalu, pembelajaran mesin telah berkembang menjadi subjek antara disiplin pelbagai bidang, yang melibatkan teori kebarangkalian, statistik, teori penghampiran, analisis cembung, teori kerumitan pengiraan dan disiplin lain. Teori pembelajaran mesin terutamanya melibatkan reka bentuk dan analisis algoritma yang membolehkan komputer "belajar" secara automatik. Algoritma pembelajaran mesin ialah sejenis algoritma yang secara automatik menganalisis dan mendapatkan corak daripada data dan menggunakan corak untuk meramal data yang tidak diketahui. Oleh kerana algoritma pembelajaran melibatkan sejumlah besar teori statistik, pembelajaran mesin amat berkait rapat dengan statistik inferensi, juga dikenali sebagai teori pembelajaran statistik. Dari segi reka bentuk algoritma, teori pembelajaran mesin memberi tumpuan kepada algoritma pembelajaran yang boleh dicapai dan berkesan. Banyak masalah inferens sukar untuk diikuti tanpa program, jadi sebahagian daripada penyelidikan pembelajaran mesin adalah untuk membangunkan algoritma anggaran yang boleh dikendalikan.
Pembelajaran mesin telah digunakan secara meluas dalam perlombongan data, penglihatan komputer, pemprosesan bahasa semula jadi, pengenalan biometrik, enjin carian, diagnosis perubatan, pengesanan penipuan kad kredit, analisis pasaran sekuriti, penjujukan urutan DNA, pengiktirafan pertuturan dan tulisan tangan, permainan strategik dan robot , dan lain-lain. .
Pembelajaran mesin mempunyai definisi berikut:
- Pembelajaran mesin ialah sains kecerdasan buatan Objek kajian utama dalam bidang ini ialah kecerdasan buatan, terutamanya bagaimana untuk meningkatkan prestasi algoritma tertentu dalam pembelajaran empirikal.
- Pembelajaran mesin ialah kajian algoritma komputer yang boleh bertambah baik secara automatik melalui pengalaman.
- Pembelajaran mesin menggunakan data atau pengalaman lepas untuk mengoptimumkan standard prestasi program komputer.
Definisi bahasa Inggeris yang sering disebut ialah: Program komputer dikatakan belajar daripada pengalaman E berkenaan dengan beberapa kelas tugasan T dan ukuran prestasi P, jika prestasinya pada tugasan dalam T, seperti yang diukur oleh P, bertambah baik dengan pengalaman E .
Pembelajaran mesin boleh dibahagikan kepada kategori berikut:
- Pembelajaran diselia mempelajari fungsi daripada set data latihan yang diberikan Apabila data baharu tiba, hasilnya boleh diramal berdasarkan fungsi ini. Keperluan set latihan pembelajaran yang diselia adalah untuk memasukkan input dan output, yang juga boleh dikatakan sebagai ciri dan sasaran. Objek dalam set latihan dilabelkan oleh manusia. Algoritma pembelajaran biasa diselia termasuk analisis regresi dan klasifikasi statistik.
Perbezaan antara pembelajaran diselia dan pembelajaran tidak diselia ialah sama ada latihan yang ditetapkan sasaran dilabelkan oleh manusia. Kesemuanya mempunyai set latihan dan kedua-duanya mempunyai input dan output
- Berbanding dengan pembelajaran diselia, pembelajaran tanpa pengawasan tidak mempunyai hasil yang dilabelkan manusia dalam set latihan. Algoritma pembelajaran tanpa pengawasan yang biasa ialah pengelompokan.
- Pembelajaran separuh penyeliaan adalah antara pembelajaran diselia dan pembelajaran tanpa penyeliaan.
- Pembelajaran pengukuhan mempelajari cara melakukan tindakan melalui pemerhatian. Setiap tindakan mempunyai kesan ke atas alam sekitar, dan subjek pembelajaran membuat pertimbangan berdasarkan maklum balas yang mereka amati daripada persekitaran sekeliling.
- Bishop, C. M. (1995). "Rangkaian Neural untuk Pengecaman Corak", Oxford University Press 0-19-853864-2.
- Bishop, C. M. (2006). "Pengiktirafan Pola dan Pembelajaran Mesin", Springer ISBN 978-0-387-31073-2.
- Richard O. Duda, Peter E. Hart, David G. Stork (2001 "Klasifikasi Corak" (Edisi ke-2), New York: Wiley 0-471-05669-3.
- MacKay, D. J. C. (2003) "Teori Maklumat, Penaakulan dan Algoritma Pembelajaran", Cambridge University Press 0-521-64298-1 Mitchel.l, T. (1997). "Pembelajaran Mesin", McGraw Hill 0-07-042807-7
- Sholom Weiss, Casimir Kulikowski (1991 Sistem Komputer Yang Belajar
- , Morgan Kaufmann ISBN 1-55860-065-5.
Atas ialah kandungan terperinci Pembelajaran Mesin - Bermula. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Keperluan Sistem Kod Vs: Sistem Operasi: Windows 10 dan ke atas, MACOS 10.12 dan ke atas, pemproses pengedaran Linux: minimum 1.6 GHz, disyorkan 2.0 GHz dan ke atas memori: minimum 512 MB, disyorkan 4 GB dan ke atas ruang penyimpanan: minimum 250 mb, disyorkan 1 GB dan di atas keperluan lain:

Lima komponen asas sistem Linux adalah: 1. Kernel, 2. Perpustakaan Sistem, 3. Utiliti Sistem, 4. Antara Muka Pengguna Grafik, 5. Aplikasi. Kernel menguruskan sumber perkakasan, Perpustakaan Sistem menyediakan fungsi yang telah dikompilasi, utiliti sistem digunakan untuk pengurusan sistem, GUI menyediakan interaksi visual, dan aplikasi menggunakan komponen ini untuk melaksanakan fungsi.

Walaupun Notepad tidak dapat menjalankan kod Java secara langsung, ia dapat dicapai dengan menggunakan alat lain: menggunakan pengkompil baris arahan (Javac) untuk menghasilkan fail bytecode (fileName.class). Gunakan Java Interpreter (Java) untuk mentafsir bytecode, laksanakan kod, dan output hasilnya.

Sebab -sebab pemasangan sambungan kod VS mungkin: ketidakstabilan rangkaian, kebenaran yang tidak mencukupi, isu keserasian sistem, versi kod VS terlalu lama, perisian antivirus atau gangguan firewall. Dengan menyemak sambungan rangkaian, keizinan, fail log, mengemas kini kod VS, melumpuhkan perisian keselamatan, dan memulakan semula kod VS atau komputer, anda boleh menyelesaikan masalah dan menyelesaikan masalah secara beransur -ansur.

Untuk melihat alamat repositori Git, lakukan langkah -langkah berikut: 1. Buka baris arahan dan navigasi ke direktori repositori; 2. Jalankan perintah "Git Remote -V"; 3. Lihat nama repositori dalam output dan alamat yang sepadan.

VSCODE Terminal terbina dalam adalah alat pembangunan yang membolehkan arahan dan skrip berjalan dalam editor untuk memudahkan proses pembangunan. Cara Menggunakan VSCode Terminal: Buka terminal dengan kekunci pintasan (Ctrl/Cmd). Masukkan arahan atau jalankan skrip. Gunakan hotkeys (seperti Ctrl L untuk membersihkan terminal). Tukar direktori kerja (seperti perintah CD). Ciri -ciri lanjutan termasuk mod debug, penyelesaian coretan kod automatik, dan sejarah arahan interaktif.

Kod penulisan dalam Kod Visual Studio (VSCode) adalah mudah dan mudah digunakan. Hanya pasang VSCode, buat projek, pilih bahasa, buat fail, tulis kod, simpan dan jalankannya. Kelebihan vscode termasuk sumber lintas platform, bebas dan terbuka, ciri-ciri yang kuat, sambungan yang kaya, dan ringan dan cepat.

VS Kod boleh didapati di Mac. Ia mempunyai sambungan yang kuat, integrasi git, terminal dan debugger, dan juga menawarkan banyak pilihan persediaan. Walau bagaimanapun, untuk projek yang sangat besar atau pembangunan yang sangat profesional, kod VS mungkin mempunyai prestasi atau batasan fungsi.
