携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第33天，点击查看活动详情

一、机器学习算法分类

1.分析1.2中的例子

分类问题

特征值：猫/狗的图片；目标值：猫/狗-类别 分类问题↑

回归问题

特征值：房屋的各个属性信息；目标值：房屋价格-连续型数据 回归问题

无监督学习

特征值：人物的各个属性信息；目标值：无 无监督学习

2.总结

3.练习

说一下它们具体问题类别：

1、预测明天的气温是多少度？：回归问题

2、预测明天是阴、晴还是雨？：分类问题

3、人脸年龄预测？：回归/分类

4、人脸识别？：分类

4.机器学习算法分类

• 监督学习(supervised learning)（预测） 定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归），或是输出是有限个离散值（称作分类）。 分类： k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络 回归 ：线性回归、岭回归
• 无监督学习(unsupervised learning) 定义：输入数据是由输入特征值所组成。 聚类 k-means

二、 机器学习开发流程

流程图：

三、学习框架介绍

需明确几点问题：

（1）算法是核心，数据与计算是基础 （2）找准定位

大部分复杂模型的算法设计都是算法工程师在做，而我们

• 分析很多的数据
• 分析具体的业务
• 应用常见的算法
• 特征工程、调参数、优化

机器学习库与框架 书籍资料