Python机器学习之基础概述

一、基础概述

• 机器学习（Machine Learing）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
• 机器学习专门研究计算机怎样模拟或实现人类的学习行为，以便获取新的知识和技能，重新组织已有的知识结构使之不断改善自身的性能。
• 机器学习是人工智能的核心，是计算机具有智能的根本途径，其应用遍及人工智能的各个领域。
• 机器学习使用归纳、综合而不是演绎。

二、算法分类

按照学习方式

• 监督学习

• 半监督学习

• 无监督学习

• 强化学习

按照算法相似性

• 回归算法

• 聚类算法

• 降维算法

• 深度学习

• 集成算法

• 正则化算法

• 决策树算法

• 贝叶斯算法

• 关联规则学习

• 人工神经网络

• 基于核的算法

• 基于实例的算法

三、研究内容

机器学习领域的研究工作主要围绕以下三个方面

• 面向任务的研究，研究和分析改进一组预定任务的执行性能的学习系统。
• 认知模型，研究人类学习过程并进行计算机的模拟。
• 理论分析，从理论上探索各种可能的学习方法和独立于应用领域的算法。

到此这篇关于Python机器学习之基础概述的文章就介绍到这了,更多相关Python机器学习内容请搜索本站以前的文章或继续浏览下面的相关文章希望大家以后多多支持本站！

海外稳定服务器

版权声明：本站文章来源标注为YINGSOO的内容版权均为本站所有，欢迎引用、转载，请保持原文完整并注明来源及原文链接。禁止复制或仿造本网站，禁止在非www.yingsoo.com所属的服务器上建立镜像，否则将依法追究法律责任。本站部分内容来源于网友推荐、互联网收集整理而来，仅供学习参考，不代表本站立场，如有内容涉嫌侵权，请联系alex-e#qq.com处理。