2019-11-21 18:18:19 CSDNedu 阅读数 356
  • AI时代,机器学习该如何入门?

    机器学习入门视频教程,该课程会告诉大家如何入门机器学习,掌握机器学习必要的基础知识,了解机器学习路径。对于机器学习,很多人的观点是:机器学习技术是今后所有技术人员都绕不过的一个门槛。 那么,普通程序员该学习机器学作为一名对机器学习心有向往的程序员,我该以什么样的姿势开始呢?不妨看看该课程。

    7170 人正在学习 去看看 CSDN讲师

近日,华为20亿奖励员工的新闻频频刷屏。

其中20亿奖金不是面向所有的华为员工,20亿奖金包涉及到的是研发体系、造AI芯片和建设生态的员工。

从5G开始部署以来,华为获得了来自全球各地运营商的订单,签订了40多个5G商用合同。另外华为的智能手机在今年一季度的销量已达到5900万台。

这足以表明华为对技术、人才的高度重视,同时带来的高回报!

不过,华为对技术、人才的重视,不止于此。早前,华为就宣布:计划投入10亿元人民币用于AI人才培养;在开发者方面,计划三年培养100万开发者。

同时侧面也反映了AI在华为的重要地位。

这也不用感到奇怪,据腾讯研究院一份研究报告显示,全球AI领域人才约30万,而市场需求在百万量级。每年毕业于AI领域的学生约2万人,远远不能满足市场对人才的需求。

今年4月,猎聘网发布的人才报告显示,2019年第一季度,AI相关职位需求同比增长为44.30%,平均年薪达到26.38万元。

BOSS直聘研究院的数据显示,2018年,所有要求掌握AI、算法、智能识别等相关技能的岗位,AI年度薪资总和规模至少达到15亿元,较2017年增长5.8倍!

以北京AI工程师平均工资为例:(来自于职友集2019年11月19日信息)

工资水平较其他开发岗位确实高出不少,因为人工智能毕竟还处于发展阶段,所以人才的培养远远满足不了市场的需求。

看到这里,很多人都想问一句:现在开始学还来得及吗?

我想说的是:人工智能还是一片等待人们开发的蓝海,现在入局为时未晚,这就是时代给转行人士的一份大礼。

CSDN精心打磨了一套针对转型/进阶同学的+书复合课程《决胜AI—机器学习+深度学习系列实战200讲》

课程会赠送1本京东排行榜上实用性TOP10的AI工具书,同时通过图书教材与视频课程的组合让你系统学习人工智能,做到融汇贯通。

| 图书邮寄 | 视频精讲 | 项目实战 | 社群答疑 | 

超值套餐99元,点击链接:https://t.csdnimg.cn/jRdv

输入优惠码ai10立减¥10限前100名

 

俘获程序员喜爱

97%的好评,4万程序员在看

这门课程究竟好在哪?

 

课程亮点:系统学习人工智能

1、机器学习+深度学习核心内容面面俱到

2、基于Python主流趋势持续更新,一劳永逸

3、书籍+线上复合型场景,多样化学习方式,轻松不累

4、录播课程随到随学,社群答疑解决学习难题

5、面向企业需求,零基础及进阶人工智能工程师准备

6、提供项目实战资料及源码,轻松复现

 

#核心课程内容摘录#
 

 

#视频课+图书教材#

送98%好评、3万程序员在学的京东实用性TOP10的AI工具书:

 

| 图书邮寄 | 视频精讲 | 项目实战 | 社群答疑 | 

超值套餐99元,点击链接:https://t.csdnimg.cn/jRdv

输入优惠码ai10立减¥10限前100名

 

#报名领书还送2门课#

报名课程更免费送2门会员专属机器学习课程,让你彻底弄明白人工智能。相当于99元购买了4门课程+1本书

赠送课程一:机器学习算法基础

课程介绍:课程共83节,多行业实战项目,同步配套完整代码,0基础小白也能学。

赠送课程二:机器学习——线性回归数学推导

课程介绍:课程共5节,带领你一步一步的推导线性回归,深入了解线性回归方面的知识点。同时,总结了人工智能基础算法的所有知识点,帮助你打下坚实的基础。

 

#你将收获#

  • 1本实体图书教材,京东畅销书《智能问答与深度学习》含邮寄

  • 5大模块,涉及机器学习算法、神经网络、中文分词等AI热点领域,成为AI技术高手

  • 200讲机器学习+深度学习系列实战,将理论与实战相结合,做到真正的学以致用

  • 专属微信社群,随时答疑,将AI彻底掌握

 

| 图书邮寄 | 视频精讲 | 项目实战 | 社群答疑 | 

超值套餐99元,点击链接:https://t.csdnimg.cn/jRdv

输入优惠码ai10立减¥10限前100名

 

如果你有其他疑问

请添加CSDN小姐姐,入群解答

(回复数字2入群)

2019-02-08 22:27:56 qq_36183496 阅读数 162
  • AI时代,机器学习该如何入门?

    机器学习入门视频教程,该课程会告诉大家如何入门机器学习,掌握机器学习必要的基础知识,了解机器学习路径。对于机器学习,很多人的观点是:机器学习技术是今后所有技术人员都绕不过的一个门槛。 那么,普通程序员该学习机器学作为一名对机器学习心有向往的程序员,我该以什么样的姿势开始呢?不妨看看该课程。

    7170 人正在学习 去看看 CSDN讲师

机器学习理论与统计机器学习的理论

机器学习是一个无处不在的科学,现在人工智能非常火,其实人工智能的核心就是机器学习。这一讲主要讲解一下什么是机器学习,机器学习的历史,机器学习的新旧方法和一个简单的例子。

机器学习方法的

现在在计算机科学与技术方面的困难点主要在于对人脑的理解,知道大脑是如何工作的,他的推理,他的认知,他的创造。很多在计算机领域的研究都基于机器学习,我认为计算机领域的basic的研究主要是机器学习的研究方法。

计算机领域的分支

计算机视觉:人脸检测,场景分割和理解,监控视频下面的人脸检测和识别,图像理解。
语音识别:主要是用了深度神经网络,正确率提提升了30%,是一个非常大的飞跃。在这里插入图片描述
Social computing :社交网络,对网络进行分析,建模,往往用大数据等进行分析
Web search and Recommendation:网页搜索与推荐, 随同过滤的方法等。亚马逊30%的利润来源于机器学习给他带来的提升。对于搜索引擎来说,我们可以对需求做分类,做排列。还有一些计算广告学,通过计算广告的搜索信息和重要性来确定广告具体放在网页的哪个位置,出现什么时候
生物信息学,机器人学,微处理器设计,寒武纪芯片设计

什么是机器学习

Field of study that gives computers the ability to learn without being explicitly progrommed.--------Arthur Sammuel .
他认为机器学习就是不给出一个确定的算法可以让计算机自己去学习
机器学习的定义没有必要一定给他一个确定的定义。机器学习其实是发展一些算法,理论去分类,聚类,识别,推理,估计,对某些特定的环境做出一些反应行为。

机器学习特点

第一点,data很有必要性,现在都说是海量的数据,但是海量的数据往往存在很noisy的数据,我们需要的往往书数据里面的知识,数据很多,但是知识可能很少,怎么把数据转换成知识,如果是裸数据就是无监督学习,如果数据有标注,在做一些分类的时候就是有监督学习。在无监督和有监督之间又会有一些其他的方法,比如早期的半监督学习,到后面的弱监督,网络监督,自然监督。
数据产生的过程往往是不知道的,但是这个过程不是一个完全随意的过程,我们会given一个数据集,一个problem,我们需要建立一个模型来解决这个问题,所以对这个数据做一个假设,我们选择一个高斯模型,就得假设我们的数据就是高斯模型的。有时候我们取得这个数据实际上并不是假设的那样,这个数没有关系的,有一些假设没有用,有一些假设是有用的,只要你的假设最后得出的结果能够很好的解决这个问题,那这个假设就是effective ,这个模型就是effective的。
All models are wrong,but some are useful.

机器学习流派

符号学派:它们认为机器学习是一个逆向推理的过程,来源于心理学和哲学
链接学派:来源于神经科学,一小部分来源于物理学。它们认为人类的知识是神经的突触传递的,神经元之间可以利用突触链接 ,用计算机模拟出人体的神经元之间传递的方式
进化主义:利用遗传算法模拟出人进化的过程来求最优解,依赖于基因学。一个进化机器人可以通过模拟来感知身体的部件,他可以自己学会走路,如果他身体的某一部分损坏了,他可以计算出另一个部件来代替他,他是可以不断进化的
贝叶斯派:依赖于统计学,它认为所有的模型依赖于先验,参数是变量,未知的随机变量。
最大似然派:通过类比推理,支持向量机,Kernel machines,参数是常量,通过模型预测完的参数是常量。

机器学习的大的方法

监督学习
给出一个数据集,它所有的data都是标记的,学习一个function或者一个model,能够预测任何一个输入X的y值,y=f(x;w),w是模型的参数
如果y 是一个类别标签的话,那么就是一个分类问题,如果y是一个连续的量的话,那就是一个回归问题,。如果y是一个有序的话,那个就是一个ranking
无监督学习
跟前面差不多,只不过是输入的数据没有lable,只是原始数据本身。无监督学习实际上就是学习现在正在发生什么事情,常见的无监督学习方法:密度估计。维度减少/可视化,聚类(聚类可以解决图像分割问题)
强化学习
Predictive /Self-Supervised Learning
过去预测现在,或者是从现在预测过去
Semi-Supervised Learning半监督学习
它是有监督和无监督中间的一种监督方式,它的label的信息不是所有样本都有,只是一小部分样本有label,大部分是没有label的。用途,半监督聚类跟半监督分类

举个栗子:
现在只有两个数据做分类的话,那我们所连得分界线可能是一条直线,
但是如果在半监督下面的话,除了有label的数据(红蓝点),还有其他Unlabel的数据,那些黑的的圈是没有标注的数据,那么现在在做标注的时候,就不会把分类面变成一条直线,他的分类面就会变成圆,这说明UNlabel的数据在训练过程中是非常有用的,它起到揭示数据规律的作用:外面的环是类别一,里面的环是类别二
在这里插入图片描述
Transfer and Muti-Task learning
多层感知机模型就是Muti-Task learning的模型,主要的点是share 他的特征,表达,模型参数的分布
Mate learning(学习如何学习)
通过这个模型再learn出一个模型出来,或者一个方法出来,告诉你应该怎么学这个task。
虚线左边是train,右边是task,每一行是一个sample,每个训练集给了5个样本(5 plus),每个样本属于一个类别,每个类别给了一个例子,所以他是一个one short five plus 问题:每个类别我只有一个样本,这个样本是鸟,这个样本是人,然后她一共有5个类别,在测试集中给出两个没有出现在训练集中的图片用来检验。
在这里插入图片描述
Active Learning
一般情况下,给我们的数据是有没有label已经给我们说好了,但是在主动学习中,数据的label可以自己选
在这里插入图片描述
例子
在这里插入图片描述
在这个图中有400个样本,有两个高斯分布的类别,如果从中随机选30个label,就是15个是绿的,15个是红的,得出的分类界面是下面的图,显然他不是很好
在这里插入图片描述
如果用主动学习的方法选取特定的label做分类界面,这样出现的界面会更好。
在这里插入图片描述

学习策略

分为产生式和判别式的,总的目标都是学习从x到Y的映射
产生式模型:通过贝叶斯来学习
判别式的:直接根据后验概率来计算
简单的学习例子
绿色是sin函数,点是sin函数+噪声
在这里插入图片描述
可以Polynomial function 来建立这个模型,w为参数
在这里插入图片描述
error function
通过错误率最小化这个E就可以求得w。
在这里插入图片描述在这里插入图片描述
直接看结果,当w=0时候,得出的红线是一条直线,当=1.=2.=3的回归是越来愈好,但是当=3的时候,所有的点都在红线上,这样在测试集上非常好,但如果我们再给一个数据,不一定很好的分开,这就属于overffiting,过拟合
在这里插入图片描述
我们看一下训练误差和测试误差的两根线,一个越来越低,一个越来越高,模型越复杂,对训练的拟合就会越来越好
在这里插入图片描述

2017-01-26 15:22:51 owandering 阅读数 842
  • AI时代,机器学习该如何入门?

    机器学习入门视频教程,该课程会告诉大家如何入门机器学习,掌握机器学习必要的基础知识,了解机器学习路径。对于机器学习,很多人的观点是:机器学习技术是今后所有技术人员都绕不过的一个门槛。 那么,普通程序员该学习机器学作为一名对机器学习心有向往的程序员,我该以什么样的姿势开始呢?不妨看看该课程。

    7170 人正在学习 去看看 CSDN讲师

        我们大家生活中应该都有过买西瓜的经验。买西瓜的时候,长辈会给我们传授经验,比如说敲击瓜表面时发出某种声音的是好瓜。长辈之所以会根据这样的特征做出好瓜的预测是基于他们的生活经验,随着经验的丰富,他们预测好瓜的能力也在提高。Herbert A. Simon曾对“学习”给出以下定义:“如果一个系统能够通过执行某个过程改进它的性能,这就是学习”按照这一观点,上述过程中在长辈身上应该是发生了学习。那么计算机如果拥有这些经验,是否也能够学习到辨别西瓜好坏的技巧呢,是否能够通过数据及统计的方法使计算机发生学习呢?

         要解决这个问题,我们首先为机器收集“经验”——数据集(data set)。一个数据集是许多样本的集合,每一个样本具有各种属性和特征。比如,对于西瓜这个抽象类来说,它具有“色泽”,“根蒂”,“敲声”三个属性。如果把这三个属性看作是坐标轴,它们将撑开一个三维空间。每个西瓜在不同属性上有各自的取值,若将其映射成一个向量,则每个西瓜会落在这个三维空间的一个点上。这个由属性张成的空间称为样本空间(sample space)。若给定一个如下的数据集:


         通过观察这个简单的由四个西瓜组成的数据集,我们可能会产生如下假设:

         1.敲声=浊响的西瓜是好瓜

         2.根蒂=蜷缩的西瓜是好瓜

         3.敲声=浊响并且根蒂=蜷缩的西瓜是好瓜

         这是我们人为逻辑推理得到的假设,这些假设就是机器学习需要学到的“模型”(model)。

         可是如果让机器去学习到这些假设该怎么做呢?

         最基本的想法是为机器提供所有的假设,对每一个假设进行验证,一旦发现同某一条假设不符合的数据即剔除该假设。在上面西瓜的例子里面,假定“色泽”,“根蒂”,“敲声”分别有3、2、2种可能取值;同时还要考虑到属性可以取任意值,如:无论色泽如何,根蒂=蜷缩并且敲声=浊响的瓜均是好瓜。所以每一个属性除了拥有具单一含义的取值之外,还拥有*(任意值)的取值。因此,上述问题一共会产生4*3*3=36种假设。这所有的假设的集合被称为假设空间。西瓜问题的假设空间如图所示:


       对于这个假设空间来说,机器要做的就是搜索。对于那些与正例不一致的假设或者与反例一致的假设予以删除。最后余下的假设是同训练集(用于学习的数据)一致的假设集合,这个集合被称作版本空间(version space)。而从这个版本空间中选取我们采纳的假设也是很有学问的一件事,也许会另外写个文章介绍一下。


2018-04-12 13:14:40 zmc1248234377 阅读数 87
  • AI时代,机器学习该如何入门?

    机器学习入门视频教程,该课程会告诉大家如何入门机器学习,掌握机器学习必要的基础知识,了解机器学习路径。对于机器学习,很多人的观点是:机器学习技术是今后所有技术人员都绕不过的一个门槛。 那么,普通程序员该学习机器学作为一名对机器学习心有向往的程序员,我该以什么样的姿势开始呢?不妨看看该课程。

    7170 人正在学习 去看看 CSDN讲师


最近开始学习机器学习,大家都知道机器学习是当前非常热门的方向。它是专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它的应用已遍及人工智能的各个分支,如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。

下面向大家介绍一个简单的机器学习的例子吧。

本程序将根据您的评价,判断执行结果 "1+1=2"。实际上仅用了最简单的 if else for 语句。这就是一个机器学习的例子,通过环境影响来进行学习。通过本例我们不难看出,在人工错误的引导下,机器会给出错误的答案 1+1不等于2。所以此类学习方法,一定要在正确引导下实践,否则会得到最坏的结果。学习完毕后,计算机会记录本次学习结果,存入数据库,下次执行相应任务时,再将结果调出执行。

#include<iostream> 
using namespace std;

void input(int &oper,const bool meth)
{
	//meth为true则只判断1,为false则判断1或0
	while(true)
	{
		cin>>oper;
		if(meth && oper==1)
			break;
		else if(oper == 0|| oper==1)
			break;
		cout<<"输入错误,请重新输入。"<<endl;// 判断参数
		cin.sync( );//避免极端输入导致死循环
		cin.clear();
	}
}
int main(void)
{
	cout<<"1+1=2吗? 那要看您怎么教我了,不要惊讶我会学习的"<<endl;
	int ladd,aprs,radd,rcnt(0),wcnt(0);					//定义输入与结果,正确次数与错误次数
	cout<<"开始学....";
	for(int i(8);i!=10;++i)
	{
		cout<<"参数1(必须是1) :"<<flush;						//提示输入参数
		input(ladd,true) ;
		cout<<"参数2 (必须是1) :"<<flush;
		input(radd,true);
		cout<<"结果:"<<(ladd+radd)<<endl;					//输出结果
		cout<<"您对这满意吗(满意输入1,不满意输入0) :"<<flush;			//评价等级
		input(aprs,false);
		if(aprs)					//判断用户评价
			++rcnt;
		else
			++wcnt;
		cout<<"正确次数:"<<rcnt<<"错误次数:"<<wcnt<<endl;	//错误次数
	}
	if(rcnt>wcnt)					//判断学习结果
		cout <<"主人告诉我 1+ 1 = 2 。" << endl;
	else if(rcnt<wcnt)
			cout<<"主人告诉我1+1!=2。"<<endl;
	else
		cout <<"我不明白主人是什么意思。" << endl;
	int term;						//退出部分
	cout<<"您对我的表现满意吗? 满意请输入1不满意请输入0:"<<flush;
	input(term,false) ;
	if(term)
		cout<<"谢谢,我不会骄傲的,我会继续努力学习"<<endl;
	else
		cout<<"谢谢,我不会气馁的,我会继续努力学习"<<endl;
	//cin>>term;		//在Windows上测试时启用
	return 0;
}



2019-10-18 14:15:18 qq_41884002 阅读数 48
  • AI时代,机器学习该如何入门?

    机器学习入门视频教程,该课程会告诉大家如何入门机器学习,掌握机器学习必要的基础知识,了解机器学习路径。对于机器学习,很多人的观点是:机器学习技术是今后所有技术人员都绕不过的一个门槛。 那么,普通程序员该学习机器学作为一名对机器学习心有向往的程序员,我该以什么样的姿势开始呢?不妨看看该课程。

    7170 人正在学习 去看看 CSDN讲师

机器学习可大致分为监督学习和无监督学习、半监督学习几类

其中监督学习主要用在处理分类问题以及回归问题

以下将通过举例监督学习中一个简单的回归问题,来了解机器学习中各种深奥概念

——————————————下面是正文————————————————

一.宏观

       黄金会根据其重量、纯度、加工质量等各种因素从而影响最终的价格,假设我们现在单纯考虑黄金的重量对于价格的影响,那么现在刚好就有一个中国大妈(hiahiahiahia~),她手上刚好有一块前几年在外国便宜入手的黄金打算出手,但是不知道手里的黄金能买多少钱,刚好大妈的广场舞小伙伴收集了该地区各个金铺不同重量的黄金的售价,如图所示:

                                        

                                         PS:上图中星星图标表示随着黄金重量的不同金铺的价格的不同

       对于图中收集而来的众多数据,有个专业名词,叫做 “ 数据集/训练集 ” !在监督学习中,还有一个名词叫 “ 训练标签 ”,下面会有所涉及。大妈看了这幅图之后,依旧不能正确的推测出自己手上的黄金能买多少钱,因为收集到的黄金重量中没有一个是和自己手上的重量相一致的,怎么办呢?此时,就需要对收集来的数据进行 “ 拟合回归 ”。可以用一条线(线性)来对图上数据进行一个拟合

                                         

       如此,根据这条直线所示,可以大致推测出大妈手中黄金的价格:

                                         

        对于这种通过数据集来拟合出一条直线从而对新的数据进行预测的过程,既是一个简单完整的人工智能算法,“通过数据集来拟合出一条直线” 这个过程是由电脑自动完成的,专业术语中称之为 “学习/训练过程”,而 “对新的数据进行预测”的过程,是在电脑“学习”完成后,输入新的数据,电脑将返回一个预测的结果,专业术语中称之为 “推理过程”。由此可知,机器学习离不开两个主要的过程:

                                                           学习+推理

       例子是一个单变量(只有黄金重量这个变量)线性(通过一条直线)回归(进行拟合回归)问题,后面还会有多变量线性回归、非线性回归等复杂的机器学习算法,但现在并不涉及。

二.学习过程

       在给定数据集之后,电脑是如何自动进行数据拟合的呢?如本例是个单变量线性回归问题,那么直线可以根据以下线性公式求得:

                                                                           

       在单变量线性回归中,公式会变成这样:

                                                                    

      公式的符号虽然变复杂了,但其实和原来的一模一样,而这个函数就是传说中的 “ 假设函数 ” ,注意:假设函数不是固定唯一的,是根据不同问题会有不同的函数,线性问题一般都是这个。因为 x 为输入进来的数据集,可以假装是固定的:),所以程序只能通过改变另外两个参数进行线性回归,根据参数的不同,最后得出的直线也会不同

              

       程序怎么知道自己画出来的直线是不是与预测中的直线相同呢?差别很大的话要怎么进行修改呢?这时,“损失函数”和“代价函数” 就显示出它们的重要性了。我们可以用以下图示进行说明:

              

        先抛出“代价函数”和“损失函数” 的公式:

                                                                   

        可以看到,“损失函数” 算出来的是一个数据的结果,而“代价函数” 则是所有数据集结果的总和。但很多时候各大书籍中并没有明确地划分“损失函数” 和 “代价函数” ,一般只用 “代价函数”,甚至有些地方解析为“损失函数” = “代价函数” ,为了理解起来方便,我们在此使用分开的两个概念,再进一步了解公式中每个符号的含义:

                                                                    

       很显然,公式主要是将实际结果和预测结果相减再求平方,变量 y 既是训练集。计算出来的结果怎样才算是最好的呢?可以想象一下,假如实际得到的直线和预测的直线是一致的话,那么放进损失函数计算会得到什么结果呢?是的,由于直线是一致的,那么实际结果和预测结果是一样的,损失函数的结果为零,而“代价函数”不过是将整个数据集的结果相加,形成一个平均值,所以,程序需要做的就是让 “代价函数” 的结果减到最低

               

      比如图上当黄金重量为 1 时,实际结果算出来的是 1/2,而预测的结果是 3 ,那么投入“损失函数” 来计算就可以得出:

                                                                        

      如果将以上三个数据集都投入“代价函数” 进行计算时,将会得出:

                                                                

       为了让结果降到最低,假设函数的参数应当进行适当调整,令 J 为代价函数的输出结果,根据参数调整的不同,即可以绘出图下所显示的坐标图:

                                                             

       通过不断调整假设函数的参数,可以使代价函数的值降到最低。那么问题来了,程序怎样调整参数才能使得代价函数降到最低呢?使用 “ 梯度下降法 ”。

三.梯度下降法

      话不多说,先抛出梯度下降法的公式:

                                                              

      再对公式进行解析:

                                                                 

      如果看来以上解析还是不了解什么意思的话没关系,我们继续通过例子来理解,我们还是使用 假设函数的参数与代价函数的值J之间的关系图来进行解释:

      如第一次计算时,通过假设函数,再通过代价函数,算出图中星星标志的位置:

                                                      

       由图可知,参数并不是最忧的,所以需要调整,那么根据梯度下降法,可以得出在该点的导数,也就是该点的切线斜率

                                                       

       该斜率为正,所以公式就可以变为:

                            

       那么往左移动多少呢?这是时候就要看学习速率的了,如果学习速率设置得小,那么相当于跨一个很小的步伐

                                    

       但是如果学习速率设置得太大的话,那么每一步的跨度将会变大,甚至越过最低点

                                       

       至于如何设置学习速率才是最合适的,那就要看经验了hiahiahia~而如果第一次计算时,通过假设函数,再通过代价函数,算出图中星星标志的位置:

                                        

        那么根据梯度下降法,可以得出在该点的导数,也就是该点的切线斜率

                                       

       该斜率为负,所以公式就可以变为:

                                                    

       而后根据学习速率的大小,决定了向右的步伐

                                 

        但斜率变为 0 时,其值即为最小值:

                                

如此,监督学习中各种常用的概念就基本解释完成了~

没有更多推荐了,返回首页