基于C#的机器学习--机器学习的基本知识

机器学习的基本知识

，…用n个观测值测量。但我们不再对Y的预测感兴趣，因为我们不再有Y了，我们唯一感兴趣的是在已有的特征上发现数据模式：

​

在前面的图中，我们可以看到这样的数据本身更适合于非线性方法，在这种方法中，数据似乎是按重要性分组的。它是非线性的，因为我们无法得到一条直线来准确地分离和分类数据。无监督学习允许我们在几乎不知道结果会是什么或应该是什么的情况下解决问题。结构来自于数据本身，而不是应用于输出标签的监督规则。这种结构通常由数据的聚类关系导出。

例如，假设我们有许多个基因来自我们的基因组数据科学实验。我们希望将这些数据分组为类似的片段，如头发颜色、寿命、体重等等。

第二个例子是众所周知的酒会效应，它基本上指的是大脑能够将注意力集中到一件事上，并过滤掉周围的噪音。

这两个示例都可以使用集群来实现它们的目标。

强化学习

强化学习是一种机器被训练为一个特定的结果，唯一的目的是最大化的效率和/或性能。该算法因做出正确的决策而得到奖励，因做出错误的决策而受到惩罚。持续的训练是为了不断提高绩效。持续的学习过程意味着更少的人为干预。马尔可夫模型是强化学习的一个例子，自动驾驶汽车就是这样一个应用的很好的例子。它不断地与环境进行交互，监视障碍物、速度限制、距离、行人等等，以便(希望如此)做出正确的决策。

我们与强化学习最大的不同是我们没有处理正确的输入和输出数据。这里的重点是性能，这意味着需要在看不见的数据和算法已经学过的东西之间找到一种平衡。

算法将一个动作应用到它的环境中，根据它所做的、重复的等行为接受奖励或惩罚，如下图所示。你可以想象一下每秒有多少次这种情况发生在刚刚在酒店接你的自动驾驶出租车上。

​

构建、购买或开源

接下来，让我们问自己一个非常重要的问题。我们是需要购买、构建还是使用开源？

接触开源世界，这是我的建议，当然也是我写这本书的原因之一。我意识到许多开发人员都有“它不是在这里构建的”综合症，但是在走上这条道路之前，我们应该对自己诚实。我们真的认为我们有能力做得更好、更快、在我们的时间限制内进行测试吗?我们应该先试着看看已经有什么可以使用。有很多很棒的开源工具包可供我们使用，这些工具包的开发人员已经投入了大量的时间和精力来开发和测试它们。显然，开源并不是每个人、每次都可以使用的解决方案，但是即使您不能在应用程序中使用它，也可以通过使用和试验它们获得大量的知识。

购买通常不是一个最佳选择。如果你足够幸运地找到要买的东西，但你可能不会得到批准，因为它将花费一大笔钱!如果你需要修改产品来做你需要的事情，会发生什么?祝您好运，能够访问源代码或者让支持团队为您更改他们的优先级。这中情况几乎不会发生，至少不会像我们需要的那么快。

至于自己构建，嘿，我们是开发者，这是我们都想做的，对吧?但是在您启动Visual Studio之前，请仔细地考虑一下您将要进入的环境。

所以开源应该永远是第一选择。您可以将其引入内部(假设许可允许您这样做)，在需要时根据您的标准对其进行调整(代码联系、更多的单元测试、更好的文档，等等)。

总结

在这一章中，我们讨论了机器学习的许多方面，以及实现您的代码的不同策略，如构建、购买或开源，并简单介绍了一些重要的定义。我希望这能让你们为接下来的章节做好准备。

转载请注明出处：https://www.cnblogs.com/wangzhenyao1994/p/10223720.html

文章发表的另一个地址：https://blog.csdn.net/wyz19940328/article/details/85835239