google机器学习速成课程.pdfVIP

谷歌机器学习速成课程的目录 机器学习概念 机器学习简介 学习目标 了解掌握机器学习技术的实际优势 理解机器学习技术背后的理念 机器学习与普通编程对比 机器学习的解决方案 普通编程的解决方案 机器学习可以提供一个缩短编程时间的工具。 比如编写一个程序来纠正拼写错误， 普通编程通过大量示例和经验法则， 只需向现成的机器学习工具提供一些样本就可以在短时间内获 以及数周努力编写一个合理的程序。 得一个可靠的程序。 借助起学习可以自定义自己的产品， 手动编写了一个英文拼写纠错程序， 使其更适合特定的用户群体。只需要收集该特定语言的数据， 如果打算针对100种最常用语言提供相应版本， 然后将数据提供给完全一样的机器学习模型学习， 这样一来每一种语言版本几乎都要从头开始， 就可以提供多种语言版本的拼写检查程序。 将付出数年的努力。 借助机器学习可以解决不知道如何使用人工方法解决的问题。 普通编程无法很好解决。 比如识别出朋友的面孔，理解他们所说的话。 框架处理 学习目标 复习机器学习基本术语。 了解机器学习的各种用途。 机器学习术语 术语 解释 （监督式） 机器学习系统通过学习如何组合输入信息来对从未见过的数据做出有用的预测。 机器学习 标签是我们要预测的事物，即简单线性回归中的y变量。标签可以是小麦未来的价格、 标签 图片中显示的动物品种、音频剪辑的含义或任何事物。 特征是输入变量，即简单线性回归中的x变量。简单的机器学习项目可能会使用单个特征， 而比较复杂的机器学习项目可能会使用数百万个特征，按如下方式指定：x , x , ..., x 。 1 2 N 特征 在垃圾邮件检测器示例中，特征可能包括：电子邮件文本中的字词、发件人的地址、 发送电子邮件的时段、、电子邮件中包含“一种奇怪的把戏”这样的短语。 样本是指数据的特定实例：x。（我们采用粗体x表示它是一个矢量。）我们将样本分为以下两类： 有标签样本、无标签样本。有标签样本具有 {特征, 标签} ：(x, y) ， 用于训练模型。无标签样本具有 {特征, ?} ：(x, ?) ，用于对新数据做出预测。在我们的垃圾邮件检测器示例中， 样本 有标签样本是用户明确标记为“垃圾邮件”或“非垃圾邮件”的各个电子邮件。 在使用有标签样本训练模型之后，我们会使用该模型预测无标签样本的标签。 在垃圾邮件检测器示例中，无标签样本是用户尚未添加标签的新电子邮件。 模型定义了特征与标签之间的关系。例如， 垃圾邮件检测模型可能会将某些特征与“垃圾邮件”紧密联系起来。 模型 我们来重点介绍一下模型生命周期的两个阶段：训练是指创建或学习模型。也就是说， 向模型展示有标签样本，让模型逐渐学习特征与标签之间的关系。 推断是指将训练后的模型应用于无标签样本。 回归模型可预测连续值。例如，回归模型做出的预测可回答如下问题： 回归模型 加利福尼亚州一栋房产的价值是多少？用户点击此广告的概率是多少？ 术语