机器学习和深度学习

什么是机器学习？

机器学习是人工智能 (AI) 的一个分支，它提供自动学习并从经验中改进的能力。 它最初于1959 年由 Arthur Samuel 提出。

主要目的是让计算机在没有人为干预或协助的情况下自动学习，并相应地调整行动。 许多问题对于人类来说非常容易，但对于网络来说却非常困难，机器学习（尤其是深度学习）目前是我们解决许多这些问题的最佳方案。

例如，医疗诊断、图像处理、预测、分类、回归等。

机器的演变

机器学习的特点

• 机器学习使用数据来检测任何数据集中的各种模式。
• 它是一种数据驱动的技术。
• 它从过去的数据中学习并自动改进。
• 机器学习类似于数据挖掘，因为它处理大量数据。

机器学习的需求

对机器学习的需求正日益增长。 作为人类，我们有很多局限性，因为我们无法手动访问大量数据，因此我们需要一些计算机系统。 机器学习可以简化我们的工作。

它的用例可以很容易地理解机器学习。 目前，机器学习用于自动驾驶汽车、网络欺诈检测、面部识别和 Facebook 上的好友推荐。

一些顶级公司，如 Amazon 和 Netflix，已经构建了机器学习模型，这些模型使用大量数据来分析用户兴趣并正确推荐产品。 它还用于查找隐藏的模式并从数据中提取有用的信息。

机器学习类型

• 监督学习- “训练我！”
• 无监督学习- “我可以自给自足地学习！”
• 强化学习- “我的生活我做主（尝试和错误）！”

监督式学习

监督学习是一种机器学习类型，我们可以将其视为老师指导学习。

我们拥有的数据集将充当老师，用于训练模型和机器。 一旦模型得到训练，当给定新数据时，它就开始进行预测或决策。

它可以分为两种类型

• 分类
• 回归

分类

它是一种旨在重现类分配的技术。 它产生响应值，并将数据分离到“类”中。

示例：识别照片中汽车的类型。

回归

回归是一种旨在产生输出值的技术。 我们可以使用它。

示例：用于预测不同产品的价格。

无监督式学习

当训练信息既未分类也未标记时，可以使用无监督机器学习算法。 如果给模型一个数据集，它会自动通过在其中创建聚类来找到数据集中的模式和关系。

假设我们向模型呈现苹果、香蕉和芒果的图像，基于一些模式和关系，它会创建聚类并将数据集分成聚类。 现在，如果将新数据传递给模型，它会将其添加到生成的组之一。

它也有两种类型

• 聚类
• 关联 (Association)

聚类

聚类用于查找特定事物中的相似之处和差异。 它将相似的事物分组。 这种算法可以帮助我们解决许多障碍。

示例： 基于内容创建相似推文的聚类，找到一组具有相似汽车的照片，或识别不同类型的新闻。

关联 (Association)

关联规则挖掘是聚类之后无监督数据挖掘方法的另一个关键，它在大量数据项中找到有趣的关联（关系、依赖性）。

半监督学习

它介于监督学习和无监督学习之间。 因此，他们使用标记数据和未标记数据进行训练，其中使用少量标记数据和大量未标记数据。

通常，当获取的标记数据需要熟练和重要的资源来训练它时，可以选择半监督学习。

强化学习

强化学习是代理与环境交互并找出最佳结果的能力。

它遵循尝试和错误方法的概念。 代理会因正确或错误的答案而获得奖励或受到惩罚，并且基于获得的积极奖励点，模型会训练自身。 并再次训练它来预测呈现给它的新数据。

代理的目标是获得最多的奖励积分并提高其性能。

强化学习的组成部分

• 决策/ 代理学习
• 环境- 代理与之交互的内容
• 动作- 代理做什么！

深度学习

深度学习也是人工智能中机器学习的一个子集。 学习可以是监督、半监督或无监督的。

深度学习是一种机器学习方法，它使计算机能够实现对人类来说自然而然的事情。 深度学习是无人驾驶汽车背后的一项关键技术，使它们能够识别停车标志。

深度学习的工作原理

最近，深度学习受到了很多关注，这是有充分理由的。 计算机模型学会直接从深度学习中的任何图像、文本和声音执行分类任务。

术语“深”通常指的是神经网络中隐藏层的数量。 传统的神经网络只包含 2-3 个隐藏层，而深度网络可以有 150 个。