Please enable JavaScript.
Coggle requires JavaScript to display documents.
机器学习 (定义 (任务T 分类：计算机程序需要制定某些输入属于k类中的哪一类
输入缺失分类：输入向量的每个度量不被保证的分类
…
机器学习
定义
任务T
- 分类：计算机程序需要制定某些输入属于k类中的哪一类
- 输入缺失分类：输入向量的每个度量不被保证的分类
- 回归：计算机程序需要对给定输入预测数值
- 转录：机器学习系统观察一些相对非结构化表示的数据，并转录信息为离散的文本形式。（输入图片，输入出图片的描述）
- 机器翻译：输入是一种语言的符号序列，计算机必须将其转化成另一种语言的符号序列
- 结构化输出：输出是向量或者其他包含多个值的数据结构，并且构成输出的这些不同元素间具有重要关系（输入文本，输出语法结构树）
- 异常检测：在一组事件或对象中筛选，并标记不正常或非典型的个体（通过信用卡消费记录判断信用卡盗帅）
- 合成和采样：生成一些和训练数据相似的新样本（语音合成）
- 缺失值填补
- 去噪
- 密度估计或概率质量函数估计（不懂什么意思）
描述
如果一个程序可以在任务T上，随着经验E的增加，效果P也可以随之增加，则称为这个程序可以从经验中学习
例子
在对垃圾邮件分类的任务中，”一个程序”指的就是需要用到的机器学习算法，”任务T”指区分垃圾邮件的任务，”经验E”为已经区分过是否为垃圾邮件的历史邮件，在监督式学习问题上，这也被称为训练数据；”效果P”为机器学习算法在区分垃圾邮件任务上的正确率.
性能度量P（评估函数）
为了评估机器学习算法的能力，我们必须设计其性能的定量度量
-
实现步骤
2. 构建模型
-
指导思想
- 确保第一个模型简单易用
- 我们先有个想法Idea，先选择初始的参数值，构建神经网络模型结构；然后通过代码Code的形式，实现这个神经网络；最后，通过实验Experiment验证这些参数对应的神经网络的表现性能。根据验证结果，我们对参数进行适当的调整优化，再进行下一次的Idea->Code->Experiment循环。
- 快速的提出模型、实施、修正模型，而不是在某一步花过多时间
- 着重确保数据管道的正确性
- 使用简单且可观察的指标进行训练和评估
- 拥有并监控您的输入特征
- 将您的模型配置视为代码：进行审核并记录在案
- 记下所有实验的结果，尤其是“失败”的结果
备注
- 大概率出现的问题，要提前预防的放在设计模型，如grad_norm
- 跑了之后才知道的，调试模型使用的，放在评估模型部分，如过拟合
-
-
-
特征
-
没有免费午餐定理
没有一个机器学习算法总是比其他的要好