Python机器学习之基础概述

目录

• 一、基础概述
• 二、算法分类
• 三、研究内容

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python博客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python博客！