新闻详情

新闻详情

首页 / 资讯中心 / 详情

小白入门机器学习基础【AI】

发布时间:2026/11/21 13:03:16来源:尧图网络
小白入门机器学习基础【AI】
目录1 机器学习2 机器学习按照反馈信号分类2.1 监督学习Supervised Learning2.2 无监督学习Unsurpervised Learning2.3 半监督学习Semi-supervised Learning2.4 自监督学习Self-Supervised Learning2.5 强化学习Reinforcement Learning3 机器学习按学习任务分类3.1 分类3.2 回归3.3 聚类3.4 关联规则3.5 序列预测1 机器学习机器学习Machine Learning英文缩写ML是人工智能的一个子领域其核心不再是手动编写规则而是通过数据训练算法让计算机从历史样本中自动总结规律用来预测或者决策新问题。人工智能是目标机器学习是实现该目标的主要手段。机器学习本质 给定输入x和输出y让机器自己找那个函数 f(x) ≈ y 。2 机器学习按照反馈信号分类传统机器学习分为监督学习、无监督学习、强化学习三类随着技术的发展半监督学习在标注成本敏感的场景中成为独立赛道例如像医疗影像自监督学习在大模型时代成为核心预训练范式因此被单独列出来。建模过程中根据训练数据的标注情况学习所依赖的反馈信号可以把机器学习分为监督学习、无监督学习、半监督学习、自监督学习、强化学习。2.1 监督学习Supervised Learning监督学习是机器学习和人工智能中的一种算法学习训练方式。模型通过标记好的训练数据进行学习目标是建立输入与输出之间的映射关系。监督学习靠“外部标准答案”人工标签反馈。有对有错直接纠正。2.2 无监督学习Unsurpervised Learning无监督学习的核心定义在完全没有“标签”标准答案的情况下让算法自行从输入数据中发现隐藏的结构、规律或者模式靠“数据内在结构” 反馈。没有对错只找规律。2.3 半监督学习Semi-supervised Learning半监督学习利用少量“有标签”的数据带有标准答案 和大量“无标签”的数据共同进行训练以此来提升模型的预测精度。半监督学习介于监督学习和无监督学习之间结合其两者的优势。在海量的数据面前手动标记的数据成本过于高昂且繁琐而未标记数据很多且易于获取因此我们可以只标记数据集中的一部分而不是标记整个数据集然后用半监督学习方式来学习。例如医学影像X光片首先医生的时间稀缺但是医院每天会有海量的原始X光片没有标注的数据。半监督学习的做法1. 先用500 张医生标注好的片子训练一个初始模型。2. 让该模型去预测10000张未标注的片子。3. 挑选模型预测结果中置信度极高例如99%确定是肺炎的图片给它们打上“伪标签”。4. 将这些带有伪标签的数据加入训练集重新训练模型。2.4 自监督学习Self-Supervised Learning自监督学习利用数据本身的结构自动生成监督信号伪标签。自监督学习是无监督学习的一种特殊形式。模型通过隐藏数据的一部分然后尝试预测这部分内容。它与半监督学习的核心区别在于半监督学习需要依赖少量真实标签而自监督学习完全不用标签。2.5 强化学习Reinforcement Learning强化学习通过与环境交互来学习。它没有直接的标签而是通过“奖励”或者“惩罚”来优化行为策略目标是获得最大的长期累积奖励。可以理解成“在试错中积累经验追求长期收益最大化”。3 机器学习按学习任务分类3.1 分类分类是一种监督学习任务旨在根据输入数据的特征将其划分到预先定义好的、离散的类别标签中。机器学习可以通过对已知类别的数据进行学习从而对未知类别的数据进行分类。例如在垃圾邮件识别中机器学习算法可以通过学习已知的垃圾邮件和非垃圾邮件来判断一封新收到的邮件是否是垃圾邮件。分类问题的常见算法有K近邻算法、逻辑回归、朴素贝叶斯、决策树、随机森林、支持向量机SVM算法等。3.2 回归回归是一种监督学习任务旨在建立一个数学模型来拟合输入特征与连续数值型输出之间的映射关系。机器学习可以对已知的数据进行学习从而对新的数据进行预测。比如在股票市场中机器学习算法可以通过学习历史股票价格数据来预测未来的股票价格。回归问题的常见算法有线性回归等。3.3 聚类聚类是一种无监督学习任务旨在在没有预先给定类别标签的情况下根据数据样本之间的内在相似性自动将其划分为若干个不相交的簇。机器学习可以将数据按照一定的特征进行聚类从而将相似的数据归为一类。比如在客户分析中机器学习算法可以通过学习客户的购买行为和喜好将类似的客户归为一类从而对不同的客户群体进行针对性的营销。聚类算法属于无监督学习常见的算法有K均值算法K-means、层次聚类、DBSCAN、高斯混合模型GMM等。3.4 关联规则关联规则是一种无监督学习任务旨在从大规模数据集中发现变量之间有趣的隐含依赖关系或共生模式通常表示 X -Y 的蕴含式。机器学习可以从大规模数据中发现变量之间的有趣关联或者频繁模式。例如在超市购物篮分析中通过分析顾客购买记录可以找出购买尿不湿的顾客往往也会购买啤酒这样的关联规则从而优化商品陈列和促销策略。常见的算法有Apriori算法、FP-Growth算法等。3.5 序列预测序列预测简单来说就是利用过去一串有顺序的数据来推断未来接下里会发生什么。它的核心在于数据点之间存在顺序依赖性。机器学习可以利用历史序列数据来预测未来的元素或者趋势。比如在自然语言处理中模型可以根据已经生成的文字预测下一个文字从而实现文本自动补全或者机器翻译。序列预测的常见算法有循环神经网络RNN、长短期记忆网络LSTM、门控循环单元GRU、Transformer等。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/20 20:45:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/20 18:41:01

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉