大數(shù)據(jù)分析人工智能中機器學習算法有哪些

　　術(shù)語機器學習常常被錯誤互換與人工智能。實際上，機器學習是AI的一個子領(lǐng)域。機器學習有時也與預(yù)測分析或預(yù)測建模相混淆。同樣，機器學習可用于預(yù)測建模，但這只是預(yù)測分析的一種類型，其用途比預(yù)測建模更廣泛。
 

　　機器學習是計算機無需明確編程即可學習的能力
 

　　機器學習最基本的方法是使用編程算法來接收和分析輸入數(shù)據(jù)，以預(yù)測可接受范圍內(nèi)的輸出值。隨著將新數(shù)據(jù)輸入這些算法，他們將學習并優(yōu)化其操作以提高性能，并隨著時間的推移開發(fā)智能。
 

　　機器學習算法有四種類型：有監(jiān)督，半監(jiān)督，無監(jiān)督和強化。
 

　　我應(yīng)該使用哪種機器學習算法?
 

　　該備忘單可幫助你從各種機器學習算法中進行選擇，以找到適合你特定問題的適當算法，并且整篇文章將引導你完成如何使用該表單的過程。
 

　　監(jiān)督學習
 

　　在監(jiān)督學習中，機器是通過示例進行教學的。操作員向機器學習算法提供一個包含所需輸入和輸出的已知數(shù)據(jù)集，并且該算法必須找到一種方法來確定如何得出這些輸入和輸出。當操作員知道問題的正確答案時，該算法可以識別數(shù)據(jù)中的模式，從觀察中學習并做出預(yù)測。該算法進行預(yù)測并由操作員進行校正-直到該算法達到較高的準確性/性能水平為止，此過程將繼續(xù)進行。
 

　　在監(jiān)督學習的保護下，分類，回歸和預(yù)測成為可能。
 

　　分類：在分類任務(wù)中，機器學習程序必須從觀察值得出結(jié)論，并確定
 

　　新觀察結(jié)果屬于什么類別。例如，當將電子郵件過濾為垃圾郵件或非垃圾郵件時，程序?qū)⒉榭船F(xiàn)有的觀察數(shù)據(jù)并相應(yīng)地過濾電子郵件。
 

　　回歸：在回歸任務(wù)中，機器學習程序必須估計并理解變量之間的關(guān)系?；貧w分析的重點是一個因變量和一系列其他變化變量，這使其對預(yù)測和預(yù)測特別有用。
 

　　預(yù)測：預(yù)測是根據(jù)過去和現(xiàn)在的數(shù)據(jù)對未來進行預(yù)測的過程，通常用于分析趨勢。
 

　　監(jiān)督學習與無監(jiān)督學習，這兩種流行的機器學習類型以及何時使用它們
 

　　差異真正歸結(jié)為數(shù)據(jù)集中的觀察結(jié)果代表你所了解的事物還是你要學習的關(guān)系的事物
 

　　半監(jiān)督學習
 

　　半監(jiān)督學習與監(jiān)督學習相似，但是使用標簽數(shù)據(jù)和未標簽數(shù)據(jù)。標記數(shù)據(jù)本質(zhì)上是具有有意義標簽的信息，因此算法可以理解該數(shù)據(jù)，而未標記數(shù)據(jù)則缺少該信息。通過組合這些技術(shù)，機器學習算法可以學習標記未標記的數(shù)據(jù)。
 

　　無監(jiān)督學習
 

　　在這里，機器學習算法研究數(shù)據(jù)以識別模式。沒有答案鍵或人工操作員來提供說明。相反，機器通過分析可用數(shù)據(jù)來確定相關(guān)性和關(guān)系。在無監(jiān)督的學習過程中，機器學習算法被用來解釋大型數(shù)據(jù)集并相應(yīng)地處理該數(shù)據(jù)。該算法嘗試以某種方式組織數(shù)據(jù)以描述其結(jié)構(gòu)。這可能意味著將數(shù)據(jù)分組到群集中或以看起來更有條理的方式進行排列。
 

　　當它評估更多數(shù)據(jù)時，其對該數(shù)據(jù)做出決策的能力逐漸提高并變得更加完善。
 

　　無監(jiān)督學習技術(shù)包括：
 

　　聚類：聚類涉及將相似數(shù)據(jù)集(基于定義的標準)進行分組。將數(shù)據(jù)分成幾組并對每個數(shù)據(jù)集進行分析以找到模式非常有用。
 

　　降維：降維減少了為了找到所需的確切信息而要考慮的變量數(shù)量。
 

　　強化學習
 

　　強化學習專注于有條理的學習過程，其中機器學習算法提供了一組動作，參數(shù)和最終值。通過定義規(guī)則，機器學習算法然后嘗試探索不同的選項和可能性，監(jiān)視和評估每個結(jié)果以確定哪個是最佳的。強化學習可以教機器嘗試和錯誤。它從過去的經(jīng)驗中吸取教訓，并開始根據(jù)情況調(diào)整其方法以實現(xiàn)最佳結(jié)果。
 

　　機器學習使用接收和分析輸入數(shù)據(jù)的編程算法來預(yù)測可接受范圍內(nèi)的輸出值。隨著將新數(shù)據(jù)輸入這些算法，他們將學習并優(yōu)化其操作以提高性能，并隨著時間的推移開發(fā)智能。
 

　　確定要使用的機器學習算法
 

　　選擇正確的機器學習算法取決于幾個因素，包括但不限于：數(shù)據(jù)大小，質(zhì)量和多樣性，以及企業(yè)希望從該數(shù)據(jù)中得出什么答案。其他注意事項包括準確性，訓練時間，參數(shù)，數(shù)據(jù)點等等。因此，選擇正確的算法是業(yè)務(wù)需求，規(guī)范，實驗和可用時間的結(jié)合。
 

　　即使是經(jīng)驗最豐富的數(shù)據(jù)科學家，也無法在與其他人進行實驗之前就告訴你哪種算法性能最好。但是，我們已經(jīng)編寫了一份機器學習算法備忘單，它將幫助你找到最適合自己的特定挑戰(zhàn)。
 

　　最常見和最受歡迎的機器學習算法是什么?
 

　　在右側(cè)的幻燈片中滾動以了解最常用的機器學習算法。該列表并非詳盡無遺，但確實包含了數(shù)據(jù)科學家在解決業(yè)務(wù)問題時最有可能遇到的算法。
 

　　請記住，這些技術(shù)中有許多是組合在一起并一起使用的，通常你必須嘗試不同的算法并比較結(jié)果來進行試驗。
 

　　顯然，在為你的業(yè)務(wù)分析選擇正確的機器學習算法時，需要考慮很多因素。但是，你無需成為數(shù)據(jù)科學家或?qū)I(yè)統(tǒng)計學家即可將這些模型用于你的業(yè)務(wù)。在AAA教育，我們的產(chǎn)品和解決方案利用全面的機器學習算法選擇，幫助你開發(fā)可不斷從數(shù)據(jù)中傳遞價值的流程。