| 查看: 8081 | 回复: 41 | |||
| 当前只显示满足指定条件的回帖，点击这里查看本话题的所有回帖 | |||
想飞的猪木虫 (正式写手)
|
[交流]
【转帖】机器学习入门 已有39人参与
|
||
|
感觉写的不错！！ 机器学习问题常用技术： 决策树 神经网络 支持向量机 贝叶斯分类 序列分析 聚类 分类 最近邻，k近邻，改进近邻 目前有多种比较成熟的算法，如贝叶斯分类、近邻法、决策树、神经网络、支撑向量机等。其中贝叶斯算法被认为是效果良好的算法并被诸多学者所使用。 应用驱动的机器学习方法 1、流形机器学习：稀疏数据的非线性方法 (特征抽取)。 2、增强学习：对变化环境适应(机器人)。 3、多实例学习：半监督学习(药物设计)。 4、ranking学习：需求是事物排序的学习(搜索引擎)。 5、数据流学习：大量数据快速过滤(有害信息过滤)。 有监督方法： 线性学习机LLM K最近邻法KFA SIMCA法 无监督方法： 因子分析FA 主成分分析PCA 独立成分分析ICA 非线性成分分析 NLCA 聚类分析clustering 半监督学习： EM tsvm Co-training Self-training Graph-based 1989年，Carbonell指出机器学习有4个研究方向：连接机器学习、基于符号的归纳机器学习、遗传机器学习与分析机器学习．十年过去了，1997年，Dietterich提出了另外4个新的研究方向：分类器的集成(Ensembles of classifiers)、海量数据的有教师学习算法(Methods for scaling up supervised learning algorithm)、增强机器学习(Reinforcement learn—ing)与学习复杂统计模型(Learning complex stochastic models)[5]．在理论上，我们可以将其进一步归纳为三类不同的学习理论： 统计机器学习理论，海量数据的符号机器学习理论、基于适应性的机器学习理论。 将讨论聚焦在当前的热点问题上，由此，我们将主要讨论下述四类机器学习的问题：(1)统计机器学习理论，(2)集成机器学习方法，(3)基于符号的归纳机器学习理论，(4)增强机器学习理论。（在理论上，集成机器学习方法可以归入统计机器学习理论，但是，在技术上，这种方法具有重要的价值，因此本文中，我们将其作为一种独立的机器学习类型进行讨论） 特征的提取是分类系统中最关键的部分之一．特征提取的好坏．直接关系到分类的性能 基于判别熵最小化的特征提取。 机器学习算法的重要理论基础是经典的统计学，它的主要研究内容是样本数目趋于无穷大时的渐进理论。基于VC理论的创造性机器学习方法SVM(Support Vector Machine如果研究者忘记SVM所基于的统计基础，就与Vapnik的本意相悖了 20世纪90年代中期，Vapnik和他领导的AT&T Bell实验室小组提出了基于统计学习理论、核函数映射理论的支持向量机(support vector machine，SVM)学习算法 ]，这是一种典型的小样本机器学习算法，它一经提出便以其卓越的理论性能、良好的泛化性能引起了机器学习领域研究者的广泛关注。当前，SVM在高光谱遥感影像解译、模式分类 等领域都得到了十分成功的应用，它已经成为研究者用于解决小样本学习问题的一种重要手段。 |
回复此楼» 本帖已获得的红花（最新10朵）
remeng» 猜你喜欢
347求调剂
已经有4人回复
-
一志愿西交288化工专硕求调剂
已经有3人回复
-
一志愿中国科学院大学265求调剂
已经有4人回复
-
291求调剂
已经有13人回复
-
070300化学求调剂
已经有3人回复
-
322求调剂
已经有7人回复
-
0703化学
已经有15人回复
-
材料学硕333求调剂
已经有15人回复
-
313求调剂
已经有3人回复
-
083000学硕274求调剂
已经有11人回复
29楼2011-12-08 22:09:02
3楼2010-08-20 16:39:55
zhhu245
金虫 (初入文坛)
- 应助: 0 (幼儿园)
- 金币: 1251.3
- 帖子: 50
- 在线: 19.2小时
- 虫号: 1013579
- 注册: 2010-05-07
- 性别: GG
- 专业: 系统科学与系统工程
4楼2010-08-21 09:30:53
★
小木虫(金币+0.5):给个红包，谢谢回帖交流
小木虫(金币+0.5):给个红包，谢谢回帖交流
|
本帖内容被屏蔽 |
6楼2010-09-16 15:29:12
