2. 程式人生 > >【術語記錄】機器學習

【術語記錄】機器學習

阿新 • • 發佈：2019-01-08

Evernote Export

  • 例項：要對其進行預測的事物。例如，例項可以是一個網頁，您希望將其分類為“與貓相關”或“與貓無關”。
  • 標籤：預測任務的答案，它可以是由機器學習系統生成的答案，也可以是訓練資料中提供的正確答案。例如，某個網頁的標籤可能是“與貓相關”。
  • 特徵：預測任務中使用的例項的屬性。例如，某個網頁可能具有“包含字詞‘貓’”這一特徵。特徵列：一組相關特徵，例如使用者可能居住的所有國家/地區的集合。樣本的特徵列中可能包含一個或多個特徵。
  • 特徵列
    是 Google 專用的術語。特徵列在 Yahoo/Microsoft 使用的 VM 系統中被稱為“名稱空間”或場。
  • 樣本：一個例項（及其特徵）和一個標籤。模型：預測任務的統計表示法。您使用樣本訓練一個模型，然後使用該模型進行預測。
  • 指標：您關心的一個數值。也許（但不一定）可以直接得到優化。
  • 目標：演算法嘗試優化的一種指標。
  • 管道：機器學習演算法的基礎架構。管道包括從前端收集資料、將資料放入訓練資料檔案、訓練一個或多個模型以及將模型運用到生產環境。
  • 點選率：點選廣告中的連結的網頁訪問者所佔的百分比。

更多細節關於機器學習術語

%0A*%20**%E5%AE%9E%E4%BE%8B**%EF%BC%9A%E8%A6%81%E5%AF%B9%E5%85%B6%E8%BF%9B%E8%A1%8C%E9%A2%84%E6%B5%8B%E7%9A%84%E4%BA%8B%E7%89%A9%E3%80%82%E4%BE%8B%E5%A6%82%EF%BC%8C%E5%AE%9E%E4%BE%8B%E5%8F%AF%E4%BB%A5%E6%98%AF%E4%B8%80%E4%B8%AA%E7%BD%91%E9%A1%B5%EF%BC%8C%E6%82%A8%E5%B8%8C%E6%9C%9B%E5%B0%86%E5%85%B6%E5%88%86%E7%B1%BB%E4%B8%BA%E2%80%9C%E4%B8%8E%E7%8C%AB%E7%9B%B8%E5%85%B3%E2%80%9D%E6%88%96%E2%80%9C%E4%B8%8E%E7%8C%AB%E6%97%A0%E5%85%B3%E2%80%9D%E3%80%82%0A*%20**%E6%A0%87%E7%AD%BE**%EF%BC%9A%E9%A2%84%E6%B5%8B%E4%BB%BB%E5%8A%A1%E7%9A%84%E7%AD%94%E6%A1%88%EF%BC%8C%E5%AE%83%E5%8F%AF%E4%BB%A5%E6%98%AF%E7%94%B1%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%B3%BB%E7%BB%9F%E7%94%9F%E6%88%90%E7%9A%84%E7%AD%94%E6%A1%88%EF%BC%8C%E4%B9%9F%E5%8F%AF%E4%BB%A5%E6%98%AF%E8%AE%AD%E7%BB%83%E6%95%B0%E6%8D%AE%E4%B8%AD%E6%8F%90%E4%BE%9B%E7%9A%84%E6%AD%A3%E7%A1%AE%E7%AD%94%E6%A1%88%E3%80%82%E4%BE%8B%E5%A6%82%EF%BC%8C%E6%9F%90%E4%B8%AA%E7%BD%91%E9%A1%B5%E7%9A%84%E6%A0%87%E7%AD%BE%E5%8F%AF%E8%83%BD%E6%98%AF%E2%80%9C%E4%B8%8E%E7%8C%AB%E7%9B%B8%E5%85%B3%E2%80%9D%E3%80%82%0A*%20**%E7%89%B9%E5%BE%81**%EF%BC%9A%E9%A2%84%E6%B5%8B%E4%BB%BB%E5%8A%A1%E4%B8%AD%E4%BD%BF%E7%94%A8%E7%9A%84%E5%AE%9E%E4%BE%8B%E7%9A%84%E5%B1%9E%E6%80%A7%E3%80%82%E4%BE%8B%E5%A6%82%EF%BC%8C%E6%9F%90%E4%B8%AA%E7%BD%91%E9%A1%B5%E5%8F%AF%E8%83%BD%E5%85%B7%E6%9C%89%E2%80%9C%E5%8C%85%E5%90%AB%E5%AD%97%E8%AF%8D%E2%80%98%E7%8C%AB%E2%80%99%E2%80%9D%E8%BF%99%E4%B8%80%E7%89%B9%E5%BE%81%E3%80%82%E7%89%B9%E5%BE%81%E5%88%97%EF%BC%9A%E4%B8%80%E7%BB%84%E7%9B%B8%E5%85%B3%E7%89%B9%E5%BE%81%EF%BC%8C%E4%BE%8B%E5%A6%82%E7%94%A8%E6%88%B7%E5%8F%AF%E8%83%BD%E5%B1%85%E4%BD%8F%E7%9A%84%E6%89%80%E6%9C%89%E5%9B%BD%E5%AE%B6%2F%E5%9C%B0%E5%8C%BA%E7%9A%84%E9%9B%86%E5%90%88%E3%80%82%E6%A0%B7%E6%9C%AC%E7%9A%84%E7%89%B9%E5%BE%81%E5%88%97%E4%B8%AD%E5%8F%AF%E8%83%BD%E5%8C%85%E5%90%AB%E4%B8%80%E4%B8%AA%E6%88%96%E5%A4%9A%E4%B8%AA%E7%89%B9%E5%BE%81%E3%80%82%0A*%20**%E7%89%B9%E5%BE%81%E5%88%97**%E6%98%AF%20Google%20%E4%B8%93%E7%94%A8%E7%9A%84%E6%9C%AF%E8%AF%AD%E3%80%82%E7%89%B9%E5%BE%81%E5%88%97%E5%9C%A8%20Yahoo%2FMicrosoft%20%E4%BD%BF%E7%94%A8%E7%9A%84%20VM%20%E7%B3%BB%E7%BB%9F%E4%B8%AD%E8%A2%AB%E7%A7%B0%E4%B8%BA%E2%80%9C%E5%91%BD%E5%90%8D%E7%A9%BA%E9%97%B4%E2%80%9D%E6%88%96%E5%9C%BA%E3%80%82%0A*%20**%E6%A0%B7%E6%9C%AC**%EF%BC%9A%E4%B8%80%E4%B8%AA%E5%AE%9E%E4%BE%8B%EF%BC%88%E5%8F%8A%E5%85%B6%E7%89%B9%E5%BE%81%EF%BC%89%E5%92%8C%E4%B8%80%E4%B8%AA%E6%A0%87%E7%AD%BE%E3%80%82%E6%A8%A1%E5%9E%8B%EF%BC%9A%E9%A2%84%E6%B5%8B%E4%BB%BB%E5%8A%A1%E7%9A%84%E7%BB%9F%E8%AE%A1%E8%A1%A8%E7%A4%BA%E6%B3%95%E3%80%82%E6%82%A8%E4%BD%BF%E7%94%A8%E6%A0%B7%E6%9C%AC%E8%AE%AD%E7%BB%83%E4%B8%80%E4%B8%AA%E6%A8%A1%E5%9E%8B%EF%BC%8C%E7%84%B6%E5%90%8E%E4%BD%BF%E7%94%A8%E8%AF%A5%E6%A8%A1%E5%9E%8B%E8%BF%9B%E8%A1%8C%E9%A2%84%E6%B5%8B%E3%80%82%0A*%20**%E6%8C%87%E6%A0%87**%EF%BC%9A%E6%82%A8%E5%85%B3%E5%BF%83%E7%9A%84%E4%B8%80%E4%B8%AA%E6%95%B0%E5%80%BC%E3%80%82%E4%B9%9F%E8%AE%B8%EF%BC%88%E4%BD%86%E4%B8%8D%E4%B8%80%E5%AE%9A%EF%BC%89%E5%8F%AF%E4%BB%A5%E7%9B%B4%E6%8E%A5%E5%BE%97%E5%88%B0%E4%BC%98%E5%8C%96%E3%80%82%0A*%20**%E7%9B%AE%E6%A0%87**%EF%BC%9A%E7%AE%97%E6%B3%95%E5%B0%9D%E8%AF%95%E4%BC%98%E5%8C%96%E7%9A%84%E4%B8%80%E7%A7%8D%E6%8C%87%E6%A0%87%E3%80%82%0A*%20**%E7%AE%A1%E9%81%93**%EF%BC%9A%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AE%97%E6%B3%95%E7%9A%84%E5%9F%BA%E7%A1%80%E6%9E%B6%E6%9E%84%E3%80%82%E7%AE%A1%E9%81%93%E5%8C%85%E6%8B%AC%E4%BB%8E%E5%89%8D%E7%AB%AF%E6%94%B6%E9%9B%86%E6%95%B0%E6%8D%AE%E3%80%81%E5%B0%86%E6%95%B0%E6%8D%AE%E6%94%BE%E5%85%A5%E8%AE%AD%E7%BB%83%E6%95%B0%E6%8D%AE%E6%96%87%E4%BB%B6%E3%80%81%E8%AE%AD%E7%BB%83%E4%B8%80%E4%B8%AA%E6%88%96%E5%A4%9A%E4%B8%AA%E6%A8%A1%E5%9E%8B%E4%BB%A5%E5%8F%8A%E5%B0%86%E6%A8%A1%E5%9E%8B%E8%BF%90%E7%94%A8%E5%88%B0%E7%94%9F%E4%BA%A7%E7%8E%AF%E5%A2%83%E3%80%82%0A*%20**%E7%82%B9%E5%87%BB%E7%8E%87**%EF%BC%9A%E7%82%B9%E5%87%BB%E5%B9%BF%E5%91%8A%E4%B8%AD%E7%9A%84%E9%93%BE%E6%8E%A5%E7%9A%84%E7%BD%91%E9%A1%B5%E8%AE%BF%E9%97%AE%E8%80%85%E6%89%80%E5%8D%A0%E7%9A%84%E7%99%BE%E5%88%86%E6%AF%94%E3%80%82%0A%23%23%23%23%20%5B%E6%9B%B4%E5%A4%9A%E7%BB%86%E8%8A%82%E5%85%B3%E4%BA%8E%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%9C%AF%E8%AF%AD%5D(https%3A%2F%2Fdevelopers.google.com%2Fmachine-learning%2Fglossary%2F)

相關推薦

【術語記錄】機器學習

Evernote Export body,td { font-family: 微軟雅黑; font-size: 10pt } 例項：要對其進行預測的事物。例如，例項可以是一個網頁，您希望將其分類為“與貓相關”或“與貓無關”。 標籤：預測任務的答案，它可以是由機器學習系

【Andrew Ng】 機器學習Exercise1——Linear Regression

1、單變數線性迴歸 在本部分練習中，您將使用一個變數實現線性迴歸，以預測食品卡車的利潤。假設你是一家連鎖餐廳的執行長，正在考慮在不同的城市開設一家新分店。這個連鎖店已經在不同的城市有了卡車，你可以從城市得到利潤和人口的資料。 您希望使用這些資料來幫助您選擇下一個要擴充套件到的城市。

【線上直播】機器學習中的建模問題

2017，人工智慧喧囂的一年；2018，人工智慧落地的一年；2019-2022，人工智慧註定飛騰！作為IT人，如何乘著人工智慧的風潮，持續學習，本期講座將為你答疑解惑關於機器學習中的建模問題。 直播時間：2018年12月5日 19:40 報名連結：【線上直播】機器學習中的建模問題 講座嘉

【AI測試】機器學習專案的測試，演算法測試

開場白 大家好，今天分享的主題是AI演算法專案的測試探索。 首先介紹人工智慧的一些基本概念，接著說明人工智慧和機器學習的關係，然後再敘述機器學習相關的基本概念，包括監督學習，無監督學習，會重點說監督學習。再介紹機器學習演算法專案的測試。最後會介紹演算法專案測

【時間之外】機器學習與優化-1

正在讀《機器學習與優化》，涉及了不少人工智慧的概念，做一個筆記，供自己和需要的朋友們學習和理解，如果需要詳細瞭解，請購買正版圖書。 最近鄰方法 由於自然界不允許跳躍，感覺有點神學的味道了。這裡舉了一個例子，撿蘑菇，你能明白嗎？上個圖吧 不同型別的誤差 以下幾個率值得記住，畢

【通俗易懂】機器學習中 L1 和 L2 正則化的直觀解釋

機器學習中，如果引數過多，模型過於複雜，容易造成過擬合（overfit）。即模型在訓練樣本資料上表現的很好，但在實際測試樣本上表現的較差，不具備良好的泛化能力。為了避免過擬合，最常用的一種方法是使用使用正則化，例如 L1 和 L2 正則化。但是，正則化項是如

【SQL Server】機器學習的生命週期和角色

機器學習專案十分複雜，因為它們需要不同組專業人員的技能協作。本文旨在介紹的機器學習的生命週期、參與機器學習的專業人員角色介紹以及SQL Server如何支援主體的需求任務。 機器學習生命週期 機器學習是一個複雜的過程，許多方面花費的時間比預期更復雜。下面是一些機器學習要求企業中的資

【智慧金融】機器學習在風控領域的應用

文 | 婉龍 Fintech科普大使 | 帶你秒懂Fintech 大資料風控起源於網際網路金融的興起 有人會把大資料比喻成 “新時代的石油”。業界也有句話叫，得資料者得天下。現如今，在大資料時代下，資料比以往任何時候都更加根植於我們生活的每個角落。 其實早在上世紀80年代，大資料就被著名未來學家阿爾文·托

【十九】機器學習之路——樸素貝葉斯分類

  最近在看周志華《機器學習》的貝葉斯分類器這一章時覺得書上講的很難理解，很多專業術語和符號搞的我頭大，大學時候概率論我還是學的還是不錯的，無奈網上搜了搜前輩的部落格，看到一篇把樸素貝葉斯講的很簡單的文章，頓時豁然開朗。關於貝葉斯分類且聽我慢慢道來： 貝葉

【Machine Learning】機器學習及其基礎概念簡介

基本概念：訓練集，測試集，特徵值，監督學習，非監督學習，半監督學習，分類，迴歸 概念學習：人類學習概念：鳥，車，計算機 定義：概念學習是指從有關某個布林函式的輸入輸出訓練樣例中推斷出該布林函式 例子：學習 “享受運動" 這一概念： 小明進行水上運動，是否享受運動取決於很多因素 樣例 天

【來龍去脈系列】機器學習入門必讀

導讀：在本篇文章中，將對機器學習做個概要的介紹。本文的目的是能讓即便完全不瞭解機器學習的人也能瞭解機器學習，並且上手相關的實踐。當然，本文也面對一般讀者，不會對閱讀有相關的前提要求。 在進入正題前，我想讀者心中可能會有一個疑惑：機器學習有什麼重要性，以至於要閱讀完這篇非常長的文章呢？ 我並

【金山雲】機器學習演算法工程師2017年8月29號電話一面（內推）

Update1（2017-08-30）: 同一個面試官面其他人問到的問題。 1、CNN 2、隨機森林 3、目標檢測演算法 4、CNN的各種架構和各個元件的作用 我只是很鬱悶，為什麼不問我這些？我很拿手

【斯坦福CS229】機器學習知識框架

今天開始學習斯坦福大學的CS229課程，不想完全照搬講義，希望能加上自己的理解，新手入門，難免出錯，歡迎指正。 第一節課介紹了機器學習的知識框架，CS229只要講的是機器學習方式中的歸納推理方式，即從足夠多的事例中歸納出具有一般性的結論，然後反過來幫助人們解決

【科普周】機器學習掃盲篇（一）

給大家舉個例子：以我們之前做的波士頓房價視覺化迴歸預測來看，如果告訴機器一棟房子所在地區的住宅地比例、環保的指標、自住的比例、便利的指數、以及不動產稅率等指標，以及不同指標下房屋的價格，這樣機器就能學習這些指標的特點和房價的關係，而給出當前指標下具體的房屋價格。但是這個價格準確率的問題要看機器通過不同模型和演

【Machine Learning】機器學習：簡明入門指南

在聽到人們談論機器學習的時候，你是不是對它的涵義只有幾個模糊的認識呢？你是不是已經厭倦了在和同事交談時只能一直點頭？讓我們改變一下吧！ 本指南的讀者物件是所有對機器學習有求知慾但卻不知道如何開頭的朋友。我猜很多人已經讀過了“機器學習”的維基百科詞條，倍感挫

【資料科學系統學習】機器學習演算法 # 西瓜書學習記錄 [7] 支援向量機（一）

這兩篇內容為西瓜書第 6 章支援向量機 6.1，6.2，6.4，6.3 的內容： 6.1 間隔與支援向量 6.2 對偶問題 6.4 軟間隔與正則化 6.3 核函式 由於本章內容較多，分為兩篇來敘述。本篇所包含內容為間隔與支援向量和對偶問題。 如移動端無法正常

【資料科學系統學習】機器學習演算法 # 西瓜書學習記錄 [8] 支援向量機（二）

這兩篇內容為西瓜書第 6 章支援向量機 6.1，6.2，6.4，6.3 的內容： 6.1 間隔與支援向量 6.2 對偶問題 6.4 軟間隔與正則化 6.3 核函式 由於本章內容較多，分為兩篇來敘述。本篇所包含內容為軟間隔與正則化和核函式。關於間隔與支援向量和

【資料科學系統學習】機器學習演算法 # 西瓜書學習記錄 [9] 決策樹

本篇內容為西瓜書第 4 章決策樹 4.1，4.2，4.3 的內容： 4.1 基本流程 4.2 劃分選擇 4.3 剪枝處理 如移動端無法正常顯示文中的公式，右上角跳至網頁即可正常閱讀。 決策樹 (decision tree) 是一種基本的分類與迴歸方法。在分類問

【資料科學系統學習】機器學習演算法 # 西瓜書學習記錄 [10] 決策樹實踐

本篇內容為《機器學習實戰》第 3 章決策樹部分程式清單。所用程式碼為 python3。 決策樹優點：計算複雜度不高，輸出結果易於理解，對中間值的缺失不敏感，可以處理不相關特徵資料。缺點：可能會產生過度匹配問題。適用資料型別：數值型和標稱型 在構造決策樹時，我們需要

【資料科學系統學習】機器學習演算法 # 西瓜書學習記錄 [11] 整合學習

本篇內容為西瓜書第 8 章整合學習 8.1 8.2 8.3 8.4 8.5 的內容： 8.1 個體與整合 8.2 Boosting 8.3 Bagging與隨機森林 8.4 結合策略 8.5 多樣性 如移動端無法正常顯示文中的公式，右上角跳至網頁即可正常閱讀。