1. 回归回归是一种监督机器学习方法，在先前数据的基础上预测或解释特定数值。例如要想知道某房产的价值，可根据与之相似房产的定价来预测。线性回归是**简单的回归方法，用直线方程(y = m * x + b)来模拟数据集。通过计算直线的位置和斜率得到具有许多数据对（x，y）的线性回归模型，在该直线上，所有数据点到它的距离之和**小。换言之，计算的是**接近数据中观测值的那条线的斜率(m)和y截距(b)。接着再来看一些具体的线性回归例子。将建筑物的年龄、楼层数、面积（平方英尺）和墙上插入式设备的数量这些数据汇总在一起，用线性回归方法来预测该建筑物的耗能情况（以千瓦时为单位）。由于有多种输入值（年龄，面积等），可以选择多变量线性回归方法，原理和简单的一元线性回归一样，但在这种情况下，由于有多个变量，**终创建出来的“线”是多维的。下图显示了线性回归模型与建筑物实际能耗的吻合程度。如果已知某建筑物的各项特征（年龄、面积等），但耗能情况未知，就可以用拟合线来对其进行估算。注意，线性回归还可以用来估计各个因素对于**终耗能情况的影响程度。例如，有了公式，就可以确定建筑物的年龄、面积或高度是否为**重要的影响因素。深度智谷深度人工智能学院插值算法。江苏青少年机器学习培训
在开始之前，您必须知道机器学习的标志。我经常只是假设这一点，但除非你知道一些真实的基础知识，否则你不能继续下去。例如：应该知道什么是机器学习，并能够向同事作解释。什么是机器学习？应该知道一些“机器学习”实例实用的机器学习问题应该知道“机器学习”是解决一些复杂问题的***方法。机器学习问题应该知道，预测建模是应用机器学习中**有用的部分。预测建模的大致介绍你应该知道机器学习在人工智能和数据科学方面的实际应用机器学习适合在哪应用？应该知道主要几种“机器学习”算法类型。机器学习算法之旅你应该知道一些基本的“机器学习”术语如何在机器学习中讨论数据福建基础机器学习培训深度智谷深度人工智能学院机器学习应用。
7.人工神经网络的优缺点人工神经网络的优点：分类的准确度高；并行分布处理能力强,分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系；具备联想记忆的功能。人工神经网络的缺点：神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；学习时间过长,甚至可能达不到学习的目的。8、K-Means聚类之前写过一篇关于K-Means聚类的文章，博文链接：机器学习算法-K-means聚类。关于K-Means的推导，里面有着很强大的EM思想。优点算法简单，容易实现；对处理大数据集，该算法是相对可伸缩的和高效率的，因为它的复杂度大约是O(nkt)，其中n是所有对象的数目，k是簇的数目,t是迭代的次数。通常k<<n。这个算法通常局部收敛。算法尝试找出使平方误差函数值**小的k个划分。当簇是密集的、球状或团状的，且簇与簇之间区别明显时，聚类效果较好。缺点对数据类型要求较高，适合数值型数据；可能收敛到局部**小值，在大规模数据上收敛较慢K值比较难以选取；对初值的簇心值敏感，对于不同的初始值，可能会导致不同的聚类结果；不适合于发现非凸面形状的簇。
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。
4.降维顾名思义，降维可用来删除数据集中**不重要的数据。实践中常会遇到包含数百甚至数千列（也称为特征）的数据集，因此减少总量至关重要。例如，图像中数千个像素中并不是所有的都要分析；或是在制造过程中要测试微芯片时，如果对每个芯片都进行测试也许需要数千次测试，但其实其中很多芯片提供的信息是多余的。在这些情况下，就需要运用降维算法以便对数据集进行管理。主成分分析（PCA）是**常用的降维方法，通过找出比较大化数据线性变化的新向量来减小特征空间的维数。在数据的线性相关性很强时，主成分分析法可以***减小数据的维度，且不会丢失太多信息。（其实，还可以衡量信息丢失的实际程度并进行相应调整。）t-分布邻域嵌入（t-SNE）是另一种常用的方法，可用来减少非线性维数。t-分布邻域嵌入通常用于数据可视化，但也可以用于减少特征空间和聚类等机器学习任务。下图显示了手写数字的MNIST数据库分析。MNIST包含数千个从0到9的数字图像，研究人员以此来测试聚类和分类算法。数据集的每一行是原始图像的矢量化版本（大小为28×28=784）和每个图像的标签（0，1,2，3，......，9）。注意，因此将维度从784（像素）减至2（可视化维度）。 深度智谷深度人工智能学院傅里叶变换。山西机器学习培训机构排名
深度智谷深度人工智能学院EM算法。江苏青少年机器学习培训
7.迁移学习假设你是个零售业的数据科学家，已经花了几个月的时间训练高质量模型，用来将图像分为衬衫、T恤和Polo衫这三类。新任务是建一个类似的模型，把服装图像分为牛仔裤、工装裤、休闲裤和正装裤这几类。那么能不能把***个模型中已建立的知识转移到第二个模型中呢？当然可以，迁移学习可以做到。迁移学习是指重复使用先前训练的神经网络的一部分，并使其适应类似的新任务。具体来说就是，使用先前任务中训练过的神经网络，可以传输一小部分训练过的图层，并将它们与用于新任务数据训练的几个图层组合在一起。通过添加图层，新的神经网络就能快速学习并适应新的任务。迁移学习的主要优点是训练神经网络所需的数据较少，这点尤为重要，因为深度学习算法的训练既耗时，（计算资源上）花费又高。而且，通常也很难找到足够的标记数据来供培训使用。还是回到上文的例子，假设衬衫模型中，你用了一个有20个隐藏层的神经网络，几次尝试后，发现可以迁移其中的18个衬衫模型层，并能把它们与用来训练裤子图像的某个新的参数层相结合。此时，裤子模型将有19个隐藏层。这两个任务的输入和输出不同，但一些概括与两者都有关的信息如布料、衣服上扣件和形状等方面的参数层可重复使用。 江苏青少年机器学习培训
成都深度智谷科技有限公司致力于教育培训，以科技创新实现***管理的追求。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。深度智谷创始人成江，始终关注客户，创新科技，竭诚为客户提供良好的服务。
