范围
包括推理、解决问题、学习和决策。
专注于数据驱动学习和改进预测或决策。
擅长高精度地识别大型数据集中的模式。
示例
聊天机器人、机器人和虚拟助手。
欺诈检测,个性化推荐。
面部识别,像 Siri 这样的语音助手。
复杂
结合各种方法,包括 ML 和 DL。
依赖于回归或决策树等更简单的算法。
使用多层神经网络完成高级任务。
数据依赖性
可以处理有限或结构化的数据。
需要结构化或半结构化的数据来学习。
需要大量非结构化数据才能表现良好。
使用案例
通用情报系统。
有针对性的任务,例如垃圾邮件过滤或信用评分。
机器学习的类型
机器学习的三大类别是监督学习、非监督学习和强化学习,它们基于计算机 中英数据 如何从数据中学习。每种类型都有特定的用途,并且有独特的方法。我们将进一步详细研究每种类型。
1.监督学习
监督学习就像用例子教孩子一样。在这种方法中,系统使用标记数据进行训练,这意味着输入数据带有正确的答案(或标签)。算法通过将其预测与正确输出进行比较来学习,并自我调整以提高准确性。
工作原理:
系统有输入输出对。例如,如果您希望模型识别水果,您可以输入水果图片,然后输出(标签)会指示它是橙子、香蕉还是苹果。随着时间的推移,算法能够将输入链接到适当的输出。