机器学习的主要挑战 简而言之，因为你的主要任务是选择一个学习算法并用一些数据进行训练，会导致错误的两件事就是“错误的算法”和“错误的数据”。我们从错误的数据开始。 训练数据量不足 要让一个蹒跚学步的孩子知道什么是苹果，需要做的就是指着一个苹果说“苹果”（可能需要重复这个过程几次）。现在这个孩子就能认识所有形状和颜色的苹果。真是个天才！ 机器学习还...

为什么使用机器学习？ 思考一下，你会如何使用传统的编程技术写一个垃圾邮件过滤器（图 1-1）： 你先观察下垃圾邮件一般都是什么样子。你可能注意到一些词或短语（比如 4U、credit card、free、amazing）在邮件主题中频繁出现，也许还注意到发件人名字、邮件正文的格式，等等。 你为观察到的规律写了一个检测算法，如果检测到了这些规律，程...

第1章 机器学习基础 机器学习 概述 机器学习 研究意义 机器学习 场景 机器学习 组成 主要任务 监督学习（supervised learning） 非监督学习（unsupervised learing） 强化学习 训练过程 算法汇总 机器学习 使用 机器学习 数学基础 机器学习 工具 Python语言 数学工具 附：机器学习...

大数据与机器学习 大数据与机器学习 Kubernetes 在大数据与机器学习中的实践案例。

机器学习系统的类型 机器学习有多种类型，可以根据如下规则进行分类： 是否在人类监督下进行训练（监督，非监督，半监督和强化学习） 是否可以动态渐进学习（在线学习 vs 批量学习） 它们是否只是通过简单地比较新的数据点和已知的数据点，或者在训练数据中进行模式识别，以建立一个预测模型，就像科学家所做的那样（基于实例学习 vs 基于模型学习） 规则并不仅限...

机器学习方法概论 机器学习方法概论 机器学习的对象是：具有一定的统计规律的数据。 机器学习根据任务类型，可以划分为： 监督学习任务：从已标记的训练数据来训练模型。 主要分为：分类任务、回归任务、序列标注任务。 无监督学习任务：从未标记的训练数据来训练模型。主要分为：聚类任务、降维任务。 半监督学习任务：用大量的未标记训练数据和少量的已标记数...

第1章 机器学习基础 机器学习 概述 机器学习 研究意义 机器学习 场景 机器学习 组成 主要任务 监督学习（supervised learning） 非监督学习（unsupervised learing） 强化学习 训练过程 算法汇总 机器学习 使用 机器学习 数学基础 机器学习 工具 Python语言 数学工具 附：机器学习...

规模驱动机器学习发展 规模驱动机器学习发展 关于深度学习（神经网络）的一些想法在几十年前就有了，那为什么它们到现在才流行起来了呢？ 推动其近期发展的主要因素有两个： 数据可用性（data availability） ：如今人们在数字设备（笔记本电脑、移动设备等）上花费的时间越来越多，对应的数字化行为与活动产生了海量的数据，而这些数据都可以提供给...

Day71 - 机器学习基础 Day72 - k最近邻分类 Day73 - 决策树 Day74 - 贝叶斯分类 Day75 - 支持向量机 Day76 - K-均值聚类 Day77 - 回归分析 Day78 - 深度学习入门 Day79 - Tensorflow概述 Day80 - Tensorflow实战 Day81 - Kaggl...