資料結構
網路
關係資料庫管理系統 (RDBMS)
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
法律研究機器學習的分類是什麼？
機器學習是人工智慧的一種應用，它支援能夠從經驗中學習和改進的架構，而無需明確地進行程式設計。
它可以被包括谷歌和必應在內的搜尋引擎用來對網頁進行排名，或者確定向哪個使用者顯示哪個廣告。它可以被包括 Facebook 和 Instagram 在內的社交網路用來為每個使用者建立定製化的資訊流，或者根據使用者上傳的圖片對其進行標記。
機器學習的分類如下：
監督學習 - 監督學習是一種機器學習方法，其中它可以向機器學習系統提供帶標籤的樣本記錄進行訓練，並預測輸出。
系統使用帶標籤的資料構建模型來學習資料集並瞭解每個資料，因為訓練和處理完成後，它可以透過提供樣本資料來檢查模型，以檢查它是否預測了準確的輸出。
監督學習，其中訓練記錄用正確的答案進行標記，例如“垃圾郵件”或“非垃圾郵件”。監督學習的兩種型別是分類（其中輸出是離散標籤，如垃圾郵件過濾）和迴歸（其中輸出是實數值）。
無監督學習 - 無監督學習是指提供一組未標記的資料，需要對其進行分析並找到其中的模式。兩個例子是降維和聚類。
將一組物理或抽象物件組合成相同物件的類的過程稱為聚類。一個聚類是一組資料物件，這些物件在同一個聚類中彼此相同，並且與其他聚類中的物件不同。在許多應用中，可以將資料物件的聚類作為一個整體作為一個組來考慮。聚類分析是一項重要的人類活動。
聚類分析用於根據對這些記錄進行的各種度量形成相同記錄的組或聚類。關鍵設計是以對分析目標有用的方式定義聚類。此資料已用於多個領域，例如天文學、考古學、醫學、化學、教育、心理學、語言學和社會學。
強化學習 - 強化學習是一種基於反饋的學習方法，其中學習代理對於每次正確的服務獲得獎勵，對於每次錯誤的服務獲得懲罰。代理會自動了解這些反饋並提高其效能。在強化學習中，代理會與環境互動並對其進行分析。代理的目標是獲得最多的獎勵點，因此，它會提高其執行效率。
479 次瀏覽
