机器学习是一种教计算机从经验中学习的人工智能技术。机器学习算法使用计算方法直接从数据中“学习”信息,而不依赖预定方程作为模型。随着可供学习的样本数量的增加,算法自适应地提高其性能。深度学习是机器学习的一种特殊形式。
监督式学习
监督机器学习建立一个模型,在不确定性存在的情况下,根据证据做出预测。监督学习算法采用一组已知的输入数据和对数据(输出)的已知响应,并训练模型生成对新数据的响应的合理预测。如果你对你想要预测的输出有已知的数据,那就使用监督学习。
监督学习使用分类和回归技术来发展机器学习模型.
分类技术预测离散的反应——例如,一封电子邮件是真的还是垃圾邮件,或者肿瘤是恶性的还是良性的。分类模型将输入数据分类。典型的应用包括医学成像、语音识别和信用评分。
如果可以对数据进行标记、分类或将其分为特定的组或类,则使用分类。例如,手写识别应用程序使用分类来识别字母和数字。在图像处理和计算机视觉中,无监督模式识别技术被用于目标检测和图像分割。可以找到执行分类的最常用算法在这里.
回归技术预测持续的响应——例如,难以测量的物理量,如电池的充电状态、电网上的电力负荷或金融资产的价格。典型的应用包括虚拟传感、电力负荷预测和算法交易。
如果您正在处理一个数据范围,或者响应的性质是一个实数,如温度或设备故障前的时间,则使用回归技术。可以找到执行回归的最常用算法在这里.
以下是在有监督和无监督机器学习之间进行选择的一些指导方针:
- 如果你需要训练一个模型来进行预测,例如,一个连续变量的未来值,如温度或股票价格,或一个分类,例如,从网络摄像头视频片段中识别汽车制造商,那么选择监督学习。
- 如果您需要研究数据,并希望训练模型以找到良好的内部表示,例如将数据分割为集群,则选择无监督学习。
汽车
航空航天和国防
生产分析
医疗设备
信号处理
更多的数据,更多的问题,更好的答案
机器学习算法在数据中找到自然模式,从而产生洞察力,帮助你做出更好的决策和预测。它们每天都被用于在医疗诊断、股票交易、能源负荷预测等方面做出关键决策。例如,媒体网站依靠机器学习筛选数百万个选项,为你提供歌曲或电影推荐。零售商利用它来洞察顾客的购买行为。
什么时候应该使用机器学习?
当您有一个涉及大量数据和大量变量的复杂任务或问题,但没有现成的公式或方程时,可以考虑使用机器学习。
机器学习和深度学习的区别是什么?
深度学习是机器学习的一种特殊形式。机器学习工作流从手动从图像中提取相关特征开始。然后,这些特征被用来创建一个模型,对图像中的对象进行分类。通过深度学习工作流,可以自动从图像中提取相关特征。此外,深度学习还可以进行“端到端学习”——给网络一个原始数据和一个要执行的任务,比如分类,然后它学习如何自动完成这项工作。
在机器学习中,您手动选择特征和分类器来对图像进行排序。通过深度学习,特征提取和建模步骤是自动的。
在机器学习和深度学习之间的选择
机器学习提供了多种技术和模型,您可以根据应用程序、正在处理的数据的大小和想要解决的问题的类型进行选择。一个成功的深度学习应用程序需要非常大量的数据(数千张图像)来训练模型,以及图形处理器或图形处理单元,以快速处理您的数据。
在选择机器学习还是深度学习时,要考虑你是否拥有高性能的GPU和大量的标记数据。如果你没有这两样东西,使用机器学习而不是深度学习可能更有意义。深度学习通常更复杂,所以你至少需要几千张图像才能得到可靠的结果。
如果您选择机器学习,您可以选择在许多不同的分类器上训练您的模型。您还可以知道提取哪些特征会产生最好的结果。另外,您还可以灵活地选择方法的组合,使用不同的分类器和特性来查看哪种安排最适合您的数据。
继续探索这个话题
机器学习的MATLAB
了解MATLAB对机器学习的支持。
教程和例子
开始使用MATLAB进行机器学习。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。