机器学习三个部分输入、算法、输出的几种方法

　　机器学习三个部分输入、算法、输出的几种方法

　　机器学习的三个部分：输入，算法和输出。

　　输入：推动机器学习的数据

　　输入是训练和算法所需的数据集。从源代码到统计数据，数据集可以收录任何内容：

　　我们需要这些输入来训练机器学习算法，因此发现和生成高质量数据集是当今机器学习面临的最大挑战之一

　　算法：如何处理和分析数据

　　算法可以将数据转化为观点。

　　机器学习算法使用数据来执行特定任务。最常见的算法类型是：

　　1.监督学习使用标记和结构化的训练数据。通过指定一组输入和所需的输出，机器将学习如何成功识别和映射它。

　　例如，在决策树学习中，通过将一组决策规则应用于输入数据来预测值：

　　2.无监督学习是使用非结构化数据发现模式和结构的过程。监督学习可以将excel表用作其数据输入，而监督学习则可以用于了解书籍或博客。

　　例如，无监督学习是自然语言处理（NLP）中的一种流行方法：

　　例如，强化学习可能用于开发自动驾驶汽车或教机器人如何制造物体。

　　以下是实践中的一些算法示例：

　　一些用于执行这些分析的库和工具包括：

　　您可以直接在浏览器中体验神经网络：

　　尽管深度学习已经存在了数十年，但由于在2005年左右图形处理单元（GPU）的创新，神经网络才有可能成为现实。GPU最初是为在3D游戏环境中渲染像素而开发的，但是GPU的新作用已经在训练神经网络算法中被发现。

　　输出

　　输出是最终结果。输出可能是识别红色符号的模式，可能会进行情感分析以确定网页的参数是正还是负，或者是带有置信区间的预测得分。

　　在机器学习中，输出可以是任何东西。产生输出的几种方法包括：

　　以下是一些机器学习的实用示例：

　　计算生物学家使用深度学习来了解DNA：

　　使用Tensorflow进行法语到英语的翻译：

　　由GitHub上的网民汇编的机器学习资源供您选择，您也可以将自己的资源添加到这些列表中。

　　机器学习：深度学习：Tensorflow：