以COMP5328为例的机器学习课业辅导技巧

机器学习是一种人工智能技术，它教会计算机从经验中学习。机器学习算法使用计算方法直接从数据中 "学习 "信息，而不依赖于作为模型的预定方程。随着可用于学习的样本数量的增加，算法会自适应地提高性能。深度学习是机器学习的一种专门形式。这篇文章为大家带来以COMP5328为例的机器学习课业辅导技巧。

一、课程主要方向

机器学习模型可以解释和概括数据。本课程介绍一些基本的机器学习概念、学习问题和算法，以便理解和简单回答数据解释和概括中出现的许多问题。例如，不同的机器学习模型为何有效?如何进一步改进它们?如何使它们适应不同的目的?

二、机器学习如何工作

机器学习使用两种类型的技术：监督学习和无监督学习，前者是在已知的输入和输出数据上训练模型，以便预测未来的输出;后者是在输入数据中发现隐藏的模式或内在结构。

1.监督学习

监督式机器学习建立了一个模型，可在不确定的情况下根据证据进行预测。监督学习算法采用一组已知的输入数据和已知的数据响应(输出)，并对模型进行训练，以生成对新数据响应的合理预测。如果您有要预测的输出的已知数据，请使用监督学习。

监督学习使用分类和回归技术来开发机器学习模型。分类技术可以预测离散的响应--例如，电子邮件是真实的还是垃圾邮件，或者肿瘤是癌症还是良性的。分类模型将输入数据分门别类。典型应用包括医学成像、语音识别和信用评分。

如果数据可以被标记、分类或分成特定的组或类别，就可以使用分类。例如，手写识别应用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用于对象检测和图像分割。最常见的分类算法可在此处找到。

回归技术可预测连续反应--例如，难以测量的物理量，如电池充电状态、电网负荷或金融资产价格。典型应用包括虚拟传感、电力负荷预测和算法交易。

2.无监督学习

无监督学习可以发现数据中隐藏的模式或内在结构。它用于从由无标签响应的输入数据组成的数据集中得出推论。

聚类是最常见的无监督学习技术。它用于探索性数据分析，以发现数据中隐藏的模式或分组。聚类分析的应用包括基因序列分析、市场研究和物体识别。

例如，如果一家手机公司想优化其手机信号塔的建设位置，他们可以使用机器学习来估计依赖其信号塔的人群集群数量。一部手机一次只能与一个信号塔通话，因此该团队使用聚类算法来设计信号塔的最佳位置，以优化客户群体或集群的信号接收。

3.如何决定使用哪种机器学习算法?

选择正确的算法似乎令人不知所措--有监督和无监督机器学习算法多达几十种，每种算法都采用不同的学习方法。

没有最好的方法，也没有放之四海而皆准的方法。要找到合适的算法，部分原因在于反复试验--即使是经验丰富的数据科学家也无法在没有尝试的情况下判断算法是否有效。但是，算法的选择还取决于您所处理的数据的规模和类型、您希望从数据中获得的洞察力，以及将如何使用这些洞察力。

以下是在监督式和非监督式机器学习之间做出选择的一些指导原则：

如果您需要训练一个模型来进行预测(如温度或股票价格等连续变量的未来值)或分类(如从网络摄像头视频片段中识别汽车制造商)，请选择监督学习。

如果你需要探索数据，并希望训练一个模型来找到一个好的内部表示方法，比如将数据分割成群，那么就选择无监督学习。

诺藤教育专业课程辅导，2100+严选硕博学霸师资，针对学生的薄弱科目和学校教学进度，匹配背景相符的导师，根据学生情况进行1V1专属备课，上课时间灵活安排，中英双语详细讲解课程中的考点、 难点问题，并提供多方位的课后辅导，辅助学生掌握全部课程知识，补足短板。