關(guān)于人工智能的機(jī)器學(xué)習(xí)一些知識

新興技術(shù)風(fēng)靡全球。他們釋放的創(chuàng)新，機(jī)遇和威脅與眾不同。隨著它們的增長，對這些領(lǐng)域的專家的需求也在增長。根據(jù)最新行業(yè)報告的調(diào)查結(jié)果，機(jī)器學(xué)習(xí)，人工智能和數(shù)據(jù)科學(xué)等新興技術(shù)的工作在新興工作中名列前茅。機(jī)器學(xué)習(xí)，人工智能或數(shù)據(jù)科學(xué)等新興技術(shù)的職業(yè)生涯可以獲得高額利潤，也可以獲得智力刺激。

機(jī)器學(xué)習(xí)是人工智能的一個子集，它為機(jī)器提供了自動學(xué)習(xí)和改進(jìn)的能力，無需任何明確的編程。而深度學(xué)習(xí)，機(jī)器學(xué)習(xí)的子集，能夠做出直覺決策的人工神經(jīng)網(wǎng)絡(luò)。

你對Recall和Precision這個術(shù)語有什幺了解？召回被稱為真正的正面率。它指的是您的模型聲明的陽性數(shù)量與整個數(shù)據(jù)中可用陽性數(shù)量的比較。精度，或者稱為正預(yù)測值，基于預(yù)測。它是模型聲稱的準(zhǔn)確陽性數(shù)量的測量值，與模型實(shí)際聲明的陽性數(shù)量相比較。

監(jiān)督機(jī)器學(xué)習(xí)和無監(jiān)督機(jī)器學(xué)習(xí)之間的區(qū)別？在監(jiān)督學(xué)習(xí)中，機(jī)器在標(biāo)記數(shù)據(jù)的幫助下進(jìn)行訓(xùn)練，即用正確答案標(biāo)記的數(shù)據(jù)。而在無監(jiān)督機(jī)器學(xué)習(xí)中，模型通過自己發(fā)現(xiàn)信息來學(xué)習(xí)。與監(jiān)督學(xué)習(xí)模型相比，無監(jiān)督模型更適合于執(zhí)行困難的處理任務(wù)。

K-means是一種無監(jiān)督算法，用于聚類問題的過程，KNN或K最近鄰是一種監(jiān)督算法，用于回歸和分類過程。這兩個概念都是監(jiān)督機(jī)器學(xué)習(xí)技術(shù)的一個重要方面。通過分類，輸出被分類為用于進(jìn)行預(yù)測的不同類別。而回歸模型通常用于找出預(yù)測和變量之間的關(guān)系。分類和回歸之間的關(guān)鍵區(qū)別在于，在前者中，輸出變量是離散的，而在后者中是連續(xù)的。

您將如何處理數(shù)據(jù)集中的缺失數(shù)據(jù)？數(shù)據(jù)科學(xué)家面臨的最大挑戰(zhàn)之一是數(shù)據(jù)丟失問題。您可以通過多種方式對缺失值進(jìn)行歸因，包括分配唯一類別，刪除行，使用均值/中值/模式替換，使用支持缺失值的算法，以及預(yù)測缺失值等等。

您對歸納邏輯編程（ILP）有何了解？機(jī)器學(xué)習(xí)的子領(lǐng)域，歸納邏輯編程通過使用邏輯編程來開發(fā)預(yù)測模型來搜索數(shù)據(jù)中的模式。該過程假定邏輯程序是假設(shè)或背景知識。

您需要采取哪些步驟來確保不會過度使用特定型號？當(dāng)模型在訓(xùn)練期間提供大量數(shù)據(jù)時，它開始從數(shù)據(jù)集中的噪聲和其他錯誤數(shù)據(jù)中學(xué)習(xí)。這使得模型難以學(xué)習(xí)除了訓(xùn)練集之外概括新實(shí)例。有叁種方法可以避免機(jī)器學(xué)習(xí)中的過度擬合。第一種方法是保持模型簡單，第二種方法是使用交叉驗(yàn)證技術(shù)，第叁種方法是使用正則化技術(shù)，例如LASSO。

什幺是合奏學(xué)習(xí)？或者，集合方法被稱為學(xué)習(xí)多分類器系統(tǒng)或基于委員會的學(xué)習(xí)。集合方法是指構(gòu)建分類器集的學(xué)習(xí)算法，然后對新數(shù)據(jù)點(diǎn)進(jìn)行分類以選擇其預(yù)測。該方法訓(xùn)練了許多假設(shè)以解決相同的問題。集合建模的最佳示例是隨機(jī)森林樹，其中許多決策樹用于預(yù)測結(jié)果。

命名機(jī)器學(xué)習(xí)項(xiàng)目中所需的步驟？實(shí)現(xiàn)良好工作模型應(yīng)采取的一些關(guān)鍵步驟是收集數(shù)據(jù)，準(zhǔn)備數(shù)據(jù)，選擇機(jī)器學(xué)習(xí)模型，模型訓(xùn)練，評估模型，調(diào)整參數(shù)，最后是預(yù)測。