機器學習演算法可以分為：
監督學習：給機器的訓練資料擁有「標記」或者「答案」，例如：
我們需要告訴機器左邊的畫面是乙隻狗，而右邊的**是乙隻貓。同理對於mnist資料集，給機器影象資訊後還應該附上標記資訊，如圖所示：
運用監督學習的場景舉例：
此課程中學習的大部分演算法屬於監督學習演算法
非監督學習：給機器訓練資料沒有任何「標記」或者「答案」
聚類分析：對沒有「標記」的資料進行分類
非監督學習乙個非常重要的作用就是對資料進行降維處理。
降維處理的意義：方便視覺化
非監督學習還可以進行異常檢測
如圖所示：圖中兩個紅點明顯與其他點脫離，如果它們同屬與一種資料，我們可以將這兩個點歸類為異常，將其去除。當突然圖中為二維點，在高維中我們會使用相應的演算法剔除異常資料。
半監督學習：一部分資料有「標記」或者「答案」，另一部分沒有
相對監督學習，更常見的是各種原因產生的標記缺失的半監督學習。
通常都先使用無監督學習手段對資料做處理，之後使用監督學習手段作模型的訓練和**。
增強學習：根據周圍環境的情況，採取行動，根據採取行動的結果，學習行動方式。
監督學習和半監督學習是基礎。
posted @
2018-04-22 10:20
饕客 閱讀(
...)
編輯收藏
使用PYTHON3玩轉OPENCV Contrib
使用python3玩轉opencv contrib 說明 本篇介紹給想用python做opencv專案開發的朋友們，從opencv3開始一些sift演算法被註冊專利，所以opencv上沒有預留，需要額外安裝contrib來獲取，不同版本又不一樣，這裡給出了乙個固定版本的安裝。如果你想安裝其他版本需要...
機器學習實戰（Python3版）
水平有限，若有錯誤還請不吝賜教！最近在學機器學習，因為python2跟python3的差距，所以，我選擇直接學習python3來完成對機器學習實戰的內容，此類部落格會持續更新 等我完成本書內容，會慢慢在github上更新 接觸到第乙個演算法為k 近鄰演算法，其偽 如下 1.計算已知類別資料集中的點與...
Python3入門機器學習 整合學習
整合學習是使用一系列學習器進行學習，並使用某種規則把各個學習結果進行整合從而獲得比單個學習器更好的學習效果的一種機器學習方法。準備資料 x,y datasets.make moons noise 0.3,n samples 500,random state 42 from sklearn.model...