資料結構
網路
關係型資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝設計
法律研究機器學習演算法的不同組成部分是什麼？
為了理解機器學習演算法的各個組成部分，我們首先要了解 Mitchell 教授給出的機器學習定義：
“如果一個計算機程式在執行任務 T 時，其效能 P 隨著經驗 E 的積累而提高，那麼我們就說該程式從經驗 E 中學習了。”
從上述定義可以看出，任何機器學習演算法的主要組成部分都是任務 (T)、效能 (P) 和經驗 (E)。
基於這三個組成部分，讓我們簡化機器學習的定義：
機器學習是人工智慧 (AI) 的一個子集，也是計算機科學的一個領域，它包含學習演算法，這些演算法隨著時間的推移，透過經驗 E 來提高執行某些任務 T 的效能 (P)。
任務 (T) - 任務 (T) 應該從兩個方面進行定義：一個是問題視角，另一個是機器學習視角。從問題的角度來看，它可以定義為需要解決的現實世界問題。例如，問題可以是找到最佳的營銷策略或預測房價。而從機器學習的角度來看，任務 T 基於系統應該遵循的工作流程來操作樣本資料點。例如，分類、迴歸、異常檢測、聚類、轉錄等都可以歸類為基於機器學習的任務。
經驗 (E) - 通俗地講，經驗是指一個人透過做某事或觀察別人做某事而獲得的知識。而在基於機器學習的任務中，經驗是指從樣本資料點中獲得的知識。一旦機器學習演算法獲得資料點，它就會迭代執行並從內在模式中學習。監督學習、無監督學習、半監督學習和強化學習是學習和獲取經驗的一些方法。
效能 (P) - 你如何判斷你的機器學習模型（應該執行任務 T 並在一段時間內從樣本資料點中獲取經驗 E）的表現好壞？這就是第三個組成部分效能 (P) 出現的原因。它是一個定量指標，用於衡量機器學習模型在利用經驗 (E) 執行任務 (T) 方面的表現好壞。一些用於衡量機器學習模型效能的效能指標包括準確率得分、F1 分數、精確率、混淆矩陣、召回率和靈敏度。
7K+ 次瀏覽
