非监督学习非监督学习中，给定的数据集没有“正确答案”，所有的数据都是一样的。无监督学习的任务是从给定的数据集中，挖掘出潜在的结构。举个栗子：我们把一堆猫和狗的照片给机器，不给这些照片打任何标签，但是我们希望机器能够将这些照片分分类。将不打标签的照片给机器通过学习，机器会把这些照片分为2类，一类都是猫的照片，一类都是狗的照片。虽然跟上面的监督学习看上去结果差不多，但是有着本质的差别：非监督学习中，虽然照片分为了猫和狗，但是机器并不知道哪个是猫，哪个是狗。对于机器来说，相当于分成了A、B两类。
5.决策树易于解释。它可以毫无压力地处理特征间的交互关系并且是非参数化的，因此你不必担心异常值或者数据是否线性可分（举个例子，决策树能轻松处理好类别A在某个特征维度x的末端，类别B在中间，然后类别A又出现在特征维度x前端的情况）。它的缺点之一就是不支持在线学习，于是在新样本到来后，决策树需要全部重建。另一个缺点就是容易出现过拟合，但这也就是诸如随机森林RF（或提升树boostedtree）之类的集成方法的切入点。另外，随机森林经常是很多分类问题的赢家（通常比支持向量机好上那么一丁点），它训练快速并且可调，同时你无须担心要像支持向量机那样调一大堆参数，所以在以前都一直很受欢迎。决策树中很重要的一点就是选择一个属性进行分枝，因此要注意一下信息增益的计算公式，并深入理解它。信息熵的计算公式如下:其中的n**有n个分类类别（比如假设是2类问题，那么n=2）。分别计算这2类样本在总样本中出现的概率p1和p2，这样就可以计算出未选中属性分枝前的信息熵。现在选中一个属性xixi用来进行分枝，此时分枝规则是：如果xi=vxi=v的话，将样本分到树的一个分支；如果不相等则进入另一个分支。很显然，分支中的样本很有可能包括2个类别。 贵州机器学习培训内容深度智谷深度人工智能学院商业实战项目。
为什么说朴素贝叶斯是高偏差低方差?以下内容引自知乎：首先，假设你知道训练集和测试集的关系。简单来讲是我们要在训练集上学习一个模型，然后拿到测试集去用，效果好不好要根据测试集的错误率来衡量。但很多时候，我们只能假设测试集和训练集的是符合同一个数据分布的，但却拿不到真正的测试数据。这时候怎么在只看到训练错误率的情况下，去衡量测试错误率呢？由于训练样本很少（至少不足够多），所以通过训练集得到的模型，总不是真正正确的。（就算在训练集上正确率100%，也不能说明它刻画了真实的数据分布，要知道刻画真实的数据分布才是我们的目的，而不是只刻画训练集的有限的数据点）。而且，实际中，训练样本往往还有一定的噪音误差，所以如果太追求在训练集上的完美而采用一个很复杂的模型，会使得模型把训练集里面的误差都当成了真实的数据分布特征，从而得到错误的数据分布估计。这样的话，到了真正的测试集上就错的一塌糊涂了（这种现象叫过拟合）。但是也不能用太简单的模型，否则在数据分布比较复杂的时候，模型就不足以刻画数据分布了（体现为连在训练集上的错误率都很高，这种现象较欠拟合）。过拟合表明采用的模型比真实的数据分布更复杂。
8.强化学习试想，迷宫中有只老鼠，在试图寻找藏在某处的奶酪。老鼠进迷宫的次数越多，它就越有可能找到奶酪。一开始，老鼠可能会随机走动，但一段时间后，它就能意识到怎样走可以找到奶酪。老鼠找奶酪的过程反映了使用强化学习来训练系统或游戏的方法。一般来说，强化学习是一种帮助代理从经验中学习的机器学习方法。通过在设定环境中记录操作并使用试错法，强化学习可以比较大化累积奖励。在上述示例中，代理是老鼠，环境是迷宫。老鼠的可能操作是：前移、后移、左移或右移，奶酪则是奖励。如果一个问题几乎没有任何历史数据，就可以选择强化学习方法，因为它不需要事先提供信息（这一点不同于传统的机器学习方法）。在强化学习框架中，你可以随时了解数据。因此强化学习的应用在游戏方面的成功也就不足为奇了，特别是在国际象棋和围棋这类“完美信息”型游戏上的应用。在游戏中，可以迅速根据代理和环境的反馈做出调整，从而使模型能够快速学习。强化学习的缺点则是如果问题很复杂，训练时间也许会很长。IBM的DeepBlue曾在1997年击败了人类比较好国际象棋选手，同样，基于深度学习的算法AlphaGo也于2016年击败了人类比较好围棋选手。 深度智谷深度人工智能学院霍夫变换。
（1）决策树决策树归纳是经典的分类算法。它采用自顶向下递归的各个击破方式构造决策树。树的每一个结点上使用信息增益度量选择测试属性。可以从生成的决策树中提取规则。(2)KNN法(K-NearestNeighbor)KNN法即K**近邻法，**初由Cover和Hart于1968年提出的，是一个理论上比较成熟的方法。该方法的思路非常简单直观：如果一个样本在特征空间中的k个**相似(即特征空间中**邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。该方法在定类决策上只依据**邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。因此，采用这种方法可以较好地避免样本的不平衡问题。另外，由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。该方法的不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个**近邻点。目前常用的解决方法是事先对已知样本点进行剪辑，事先去除对分类作用不大的样本。另外还有一种ReverseKNN法。 深度智谷深度人工智能学院图像凸包检测。甘肃机器学习培训教程
深度智谷深度人工智能学院图像轮廓查找算法。海南机器学习培训教程下载
学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择**合适的算法来获得比较好的结果。监督式学习：在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（LogisticRegression）和反向传递神经网络（BackPropagationNeuralNetwork）非监督式学习：在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。半监督式学习：在此学习方式下，输入数据部分被标识。 海南机器学习培训教程下载
成都深度智谷科技有限公司总部位于中国(四川)自由贸易试验区成都天府一街369号1栋2单元17楼1715号，是一家人工智能基础软件开发；人工智能教育服务；云计算装备技术服务；人工智能通用应用系统；企业管理咨询；技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；人工智能行业应用系统集成服务；互联网数据服务。的公司。深度智谷拥有一支经验丰富、技术创新的专业研发团队，以高度的专注和执着为客户提供人工智能培训，深度学习培训，AI培训，AI算法工程师培训。深度智谷致力于把技术上的创新展现成对用户产品上的贴心，为用户带来良好体验。深度智谷始终关注教育培训行业。满足市场需求，提高产品价值，是我们前行的力量。
