ml（機器學習）很方便。 現在，公共雲計算已經變得便宜了，我看到所有型別的基於雲的應用程式都有效地應用了該技術。
基本上，機器學習分為三種型別。
[ 也在infoworld上：人工智慧，機器學習和深度學習：您需要知道的一切
] 當然，許多博士 這些**和學術文章也確定了其他型別的人工智慧或機器學習。 我在這裡列出的是大多數基於雲的ml工具支援的型別。
對我來說，問題是我提到的ml組可能是有限的。 考慮動態組合所有型別，並在訓練資料處理過程中調整方法，型別或演算法，無論是大負荷還是交易。
有爭議的是用例並不真正適合這三類。 例如，我們有一些標記的資料和未標記的資料，並且我們正在尋找ml引擎來識別資料本身和資料中的模式。 我們大多數人都沒有完善的訓練資料，如果ml引擎本身可以為我們解決問題，那就太好了。
除少數例外，我們必須選擇有監督或無監督的學習方法，僅解決部分問題，並且我們可能沒有使它有用的培訓資料。 此外，由於資料在交易應用程式中使用，例如識別正在進行的欺詐交易，因此我們缺乏提供強化學習的能力。
有多種方法可以建立「以上所有方法」，但是它需要對訓練資料和演算法進行一些繁重的工作。 這通常涉及資料的鍵入，並對資料（單數和組）應用適當的演算法（ml型別）。 所有這些自定義意味著您將必須維護ml應用程式，資料和ml處理方式。 您不想作為企業it從事該業務。
from:
機器學習 kmeans 想要 更多型別的機器學習
機器學習 kmeans ml 機器學習 很方便。現在，公共雲計算已經變得便宜了，我看到所有型別的基於雲的應用程式都有效地應用了該技術。基本上，機器學習分為三種型別。也在infoworld上 人工智慧，機器學習和深度學習 您需要知道的一切 當然，許多博士 這些 和學術文章也確定了其他型別的人工智慧或機...
更多型別轉換 WPF學習摘要
因為xaml是設計用來與.net型別系統一起工作的，你可以在其中使用任何型別的.net 物件 甚至是com物件，這還多虧了com的互操作性 也可以使用自己定義的物件，無論這 些物件是不是與使用者介面有關。但是，物件必須以 友好宣告 declarative friendly 的方式 進行設計。例如，如...
機器學習和模式識別的區別
不同於模式識別中人類主動去描述某些特徵給機器，機器學習可以這樣理解 機器從已知的經驗資料 樣本 中，通過某種特定的方法 演算法 自己去尋找提煉 訓練 學習 出一些規律 模型 提煉出的規律就可以用來判斷一些未知的事情 也就是說，模式識別和機器學習的區別在於 前者餵給機器的是各種特徵描述，從而讓機器對未...