知识卡片
机器学习:从规则到数据驱动
机器学习标志着人工智能从“编写规则”转向“从数据中学规则”。传统做法是人先把处理数据的规则写死在程序里;机器学习则把数据和预期输出一起交给算法,让算法自己返回一套优化后的规则,并在未知但相似的数据上检验效果。它的核心动力是误差最小化:不断缩小预期输出与算法预测之间的差距,从而找到更优的规则。按是否带有标签,机器学习分为监督、无监督和强化三类,这些类别同样适用于作为其子集的深度学习,分别展开见 [[监督学习与回归、分类]]、[[无监督学习与聚类]] 与 [[强化学习:智能体与奖励]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 深度学习入门 人工智能与机器学习的演进 · 查看原书依据
机器学习之前的人工智能就是编写机器用来处理提供的数据的规则。 机器学习实现了过渡。 现在,仅通过将数据和预期输出提供给机器学习算法,计算机就可以为任务返回一组优化的规则。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第01章《深度学习入门》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/04.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文明确对比了编写规则与提供数据输出的两端,并点出误差最小化这一学习机制与三大分类,支撑本卡对机器学习转变的概括。
- 原始内容:机器学习之前的人工智能就是编写机器用来处理提供的数据的规则。 机器学习实现了过渡。 现在,仅通过将数据和预期输出提供给机器学习算法,计算机就可以为任务返回一组优化的规则。