非監(jiān)督學(xué)習(xí)非監(jiān)督學(xué)習(xí)中，給定的數(shù)據(jù)集沒(méi)有“正確答案”，所有的數(shù)據(jù)都是一樣的。無(wú)監(jiān)督學(xué)習(xí)的任務(wù)是從給定的數(shù)據(jù)集中，挖掘出潛在的結(jié)構(gòu)。舉個(gè)栗子：我們把一堆貓和狗的照片給機(jī)器，不給這些照片打任何標(biāo)簽，但是我們希望機(jī)器能夠?qū)⑦@些照片分分類(lèi)。將不打標(biāo)簽的照片給機(jī)器通過(guò)學(xué)習(xí)，機(jī)器會(huì)把這些照片分為2類(lèi)，一類(lèi)都是貓的照片，一類(lèi)都是狗的照片。雖然跟上面的監(jiān)督學(xué)習(xí)看上去結(jié)果差不多，但是有著本質(zhì)的差別：非監(jiān)督學(xué)習(xí)中，雖然照片分為了貓和狗，但是機(jī)器并不知道哪個(gè)是貓，哪個(gè)是狗。對(duì)于機(jī)器來(lái)說(shuō)，相當(dāng)于分成了A、B兩類(lèi)。

    7.遷移學(xué)習(xí)假設(shè)你是個(gè)零售業(yè)的數(shù)據(jù)科學(xué)家，已經(jīng)花了幾個(gè)月的時(shí)間訓(xùn)練高質(zhì)量模型，用來(lái)將圖像分為襯衫、T恤和Polo衫這三類(lèi)。新任務(wù)是建一個(gè)類(lèi)似的模型，把服裝圖像分為牛仔褲、工裝褲、休閑褲和正裝褲這幾類(lèi)。那么能不能把***個(gè)模型中已建立的知識(shí)轉(zhuǎn)移到第二個(gè)模型中呢？當(dāng)然可以，遷移學(xué)習(xí)可以做到。遷移學(xué)習(xí)是指重復(fù)使用先前訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的一部分，并使其適應(yīng)類(lèi)似的新任務(wù)。具體來(lái)說(shuō)就是，使用先前任務(wù)中訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)，可以傳輸一小部分訓(xùn)練過(guò)的圖層，并將它們與用于新任務(wù)數(shù)據(jù)訓(xùn)練的幾個(gè)圖層組合在一起。通過(guò)添加圖層，新的神經(jīng)網(wǎng)絡(luò)就能快速學(xué)習(xí)并適應(yīng)新的任務(wù)。遷移學(xué)習(xí)的主要優(yōu)點(diǎn)是訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需的數(shù)據(jù)較少，這點(diǎn)尤為重要，因?yàn)樯疃葘W(xué)習(xí)算法的訓(xùn)練既耗時(shí)，（計(jì)算資源上）花費(fèi)又高。而且，通常也很難找到足夠的標(biāo)記數(shù)據(jù)來(lái)供培訓(xùn)使用。還是回到上文的例子，假設(shè)襯衫模型中，你用了一個(gè)有20個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)，幾次嘗試后，發(fā)現(xiàn)可以遷移其中的18個(gè)襯衫模型層，并能把它們與用來(lái)訓(xùn)練褲子圖像的某個(gè)新的參數(shù)層相結(jié)合。此時(shí)，褲子模型將有19個(gè)隱藏層。這兩個(gè)任務(wù)的輸入和輸出不同，但一些概括與兩者都有關(guān)的信息如布料、衣服上扣件和形狀等方面的參數(shù)層可重復(fù)使用。 青海學(xué)習(xí)機(jī)器學(xué)習(xí)培訓(xùn)深度智谷深度人工智能學(xué)院數(shù)據(jù)處理算法模型。

    不論是在科研中還是在工業(yè)領(lǐng)域，機(jī)器學(xué)習(xí)都是個(gè)熱門(mén)話題，新的機(jī)器學(xué)習(xí)方法也層出不窮。機(jī)器學(xué)習(xí)發(fā)展迅速又很復(fù)雜。對(duì)初學(xué)者而言，緊跟其發(fā)展無(wú)疑十分困難，即便是對(duì)**們來(lái)說(shuō)也非易事。為揭開(kāi)機(jī)器學(xué)習(xí)的神秘面紗，幫助新手學(xué)習(xí)該領(lǐng)域的**概念，本文會(huì)介紹十種不同的機(jī)器學(xué)習(xí)方法，包括簡(jiǎn)單描述和可視化等，并一一舉例說(shuō)明。機(jī)器學(xué)習(xí)算法（模型）是個(gè)表示某一問(wèn)題（常為商業(yè)問(wèn)題）所包含數(shù)據(jù)信息的數(shù)學(xué)表達(dá)式。設(shè)計(jì)算法是為了分析數(shù)據(jù)從而獲取有用信息。比如，在線零售商想要預(yù)測(cè)下一季度的銷(xiāo)售額時(shí)，就可能會(huì)用到機(jī)器學(xué)習(xí)算法，根據(jù)之前的銷(xiāo)售額和其他相關(guān)數(shù)據(jù)來(lái)進(jìn)行預(yù)測(cè)。同樣，風(fēng)車(chē)制造商可以監(jiān)管重要的設(shè)備，他們給算法提供視頻數(shù)據(jù)使其在訓(xùn)練之后能夠識(shí)別設(shè)備上的裂縫。本文介紹的十種機(jī)器學(xué)習(xí)方法可以讓你對(duì)機(jī)器學(xué)習(xí)有一個(gè)整體的了解。

    4.**近領(lǐng)算法——KNNKNN即**近鄰算法，其主要過(guò)程為：1.計(jì)算訓(xùn)練樣本和測(cè)試樣本中每個(gè)樣本點(diǎn)的距離（常見(jiàn)的距離度量有歐式距離，馬氏距離等）；2.對(duì)上面所有的距離值進(jìn)行排序；3.選前k個(gè)**小距離的樣本；4.根據(jù)這k個(gè)樣本的標(biāo)簽進(jìn)行投票，得到***的分類(lèi)類(lèi)別；如何選擇一個(gè)比較好的K值，這取決于數(shù)據(jù)。一般情況下，在分類(lèi)時(shí)較大的K值能夠減小噪聲的影響。但會(huì)使類(lèi)別之間的界限變得模糊。一個(gè)較好的K值可通過(guò)各種啟發(fā)式技術(shù)來(lái)獲取，比如，交叉驗(yàn)證。另外噪聲和非相關(guān)性特征向量的存在會(huì)使K近鄰算法的準(zhǔn)確性減小。近鄰算法具有較強(qiáng)的一致性結(jié)果。隨著數(shù)據(jù)趨于無(wú)限，算法保證錯(cuò)誤率不會(huì)超過(guò)貝葉斯算法錯(cuò)誤率的兩倍。對(duì)于一些好的K值，K近鄰保證錯(cuò)誤率不會(huì)超過(guò)貝葉斯理論誤差率。KNN算法的優(yōu)點(diǎn)理論成熟，思想簡(jiǎn)單，既可以用來(lái)做分類(lèi)也可以用來(lái)做回歸；可用于非線性分類(lèi)；訓(xùn)練時(shí)間復(fù)雜度為O(n)；對(duì)數(shù)據(jù)沒(méi)有假設(shè)，準(zhǔn)確度高，對(duì)outlier不敏感；缺點(diǎn)計(jì)算量大；樣本不平衡問(wèn)題（即有些類(lèi)別的樣本數(shù)量很多，而其它樣本的數(shù)量很少）；需要大量的內(nèi)存。 深度智谷深度人工智能學(xué)院梯度下降法。

    Sigmoid函數(shù)：優(yōu)點(diǎn)：實(shí)現(xiàn)簡(jiǎn)單，***的應(yīng)用于工業(yè)問(wèn)題上；分類(lèi)時(shí)計(jì)算量非常小，速度很快，存儲(chǔ)資源低；便利的觀測(cè)樣本概率分?jǐn)?shù)；對(duì)邏輯回歸而言，多重共線性并不是問(wèn)題，它可以結(jié)合L2正則化來(lái)解決該問(wèn)題；缺點(diǎn)：當(dāng)特征空間很大時(shí)，邏輯回歸的性能不是很好；容易欠擬合，一般準(zhǔn)確度不太高不能很好地處理大量多類(lèi)特征或變量；只能處理兩分類(lèi)問(wèn)題（在此基礎(chǔ)上衍生出來(lái)的softmax可以用于多分類(lèi)），且必須線性可分；對(duì)于非線性特征，需要進(jìn)行轉(zhuǎn)換；3.線性回歸線性回歸是用于回歸的，而不像Logistic回歸是用于分類(lèi)，其基本思想是用梯度下降法對(duì)**小二乘法形式的誤差函數(shù)進(jìn)行優(yōu)化，當(dāng)然也可以用normalequation直接求得參數(shù)的解，結(jié)果為：而在LWLR（局部加權(quán)線性回歸）中，參數(shù)的計(jì)算表達(dá)式為:由此可見(jiàn)LWLR與LR不同，LWLR是一個(gè)非參數(shù)模型，因?yàn)槊看芜M(jìn)行回歸計(jì)算都要遍歷訓(xùn)練樣本至少一次。優(yōu)點(diǎn)：實(shí)現(xiàn)簡(jiǎn)單，計(jì)算簡(jiǎn)單。 深度智谷深度人工智能學(xué)院KT樹(shù)算法。黑龍江機(jī)器學(xué)習(xí)培訓(xùn)上海

深度智谷深度人工智能學(xué)院決策樹(shù)算法培訓(xùn)。四川機(jī)器學(xué)習(xí)培訓(xùn)班哪個(gè)好

    fp-growth：求頻繁**的算法，只用遍歷數(shù)據(jù)集兩次，就可建立fp樹(shù)遍歷**，求**小項(xiàng)集的出現(xiàn)次數(shù)給所有樣本內(nèi)部排序，并且過(guò)濾掉出現(xiàn)次數(shù)小于閾值的項(xiàng)集用排序好的數(shù)據(jù)建立fp樹(shù)，樹(shù)是字典樹(shù)，節(jié)點(diǎn)是頻繁**的路徑，值是路徑出現(xiàn)次數(shù)fp樹(shù)建好后，使用header鏈表，自底向上獲得頻繁項(xiàng)mahout的分布式fp：***次遍歷樣本一樣，求**小項(xiàng)集的出現(xiàn)次數(shù)根據(jù)排序的**小項(xiàng)集，分割項(xiàng)集，如a,b,c,d,e,f,g,分割數(shù)據(jù)a,b,c,d,e,f,g;c,d,e,f,g;efg;這樣頻繁**不會(huì)應(yīng)為分片而丟失（可以理解為fp樹(shù)從頂向下分割數(shù)據(jù)）基于項(xiàng)目的推薦算法：計(jì)算人-物計(jì)算物-物獲得物和物的相似矩陣在用相似矩陣*人-物，就是人和其他物品的關(guān)聯(lián)度。 四川機(jī)器學(xué)習(xí)培訓(xùn)班哪個(gè)好

成都深度智谷科技有限公司屬于教育培訓(xùn)的高新企業(yè)，技術(shù)力量雄厚。深度智谷是一家有限責(zé)任公司企業(yè)，一直“以人為本，服務(wù)于社會(huì)”的經(jīng)營(yíng)理念;“誠(chéng)守信譽(yù)，持續(xù)發(fā)展”的質(zhì)量方針。公司業(yè)務(wù)涵蓋人工智能培訓(xùn)，深度學(xué)習(xí)培訓(xùn)，AI培訓(xùn)，AI算法工程師培訓(xùn)，價(jià)格合理，品質(zhì)有保證，深受廣大客戶的歡迎。深度智谷以創(chuàng)造***產(chǎn)品及服務(wù)的理念，打造高指標(biāo)的服務(wù)，引導(dǎo)行業(yè)的發(fā)展。