Machine learning

来自开放百科 - 灰狐
(版本间的差异)
跳转到: 导航, 搜索
(链接)
(项目)
(未显示1个用户的25个中间版本)
第10行: 第10行:
  
 
通常,人们会在三种情况下使用机器学习:
 
通常,人们会在三种情况下使用机器学习:
* 数据挖掘:机器学习可以帮助人们从大型数据库里得到深刻的见解。
+
* [[data mining|数据挖掘]]:机器学习可以帮助人们从大型数据库里得到深刻的见解。
* 统计工程:机器学习可以用来把数据转换成对不确定数据做决定的软件。
+
* [[Statistics|统计工程]]:机器学习可以用来把数据转换成对不确定数据做决定的软件。
* 人工智能:机器学习可以用来模拟人类的思维,来创造可以看到,听到和理解人的计算机。
+
* [[Artificial intelligence|人工智能]]:机器学习可以用来模拟人类的思维,来创造可以看到,听到和理解人的计算机。
 +
 
 +
==简介==
 +
机器学习是一种允许计算机使用现有数据预测未来行为、结果和趋势的[[data science|数据科学]]方法,机器学习的预测可以使得应用和设备更智能。
  
 
==新闻==
 
==新闻==
第34行: 第37行:
 
==项目==
 
==项目==
 
*[https://github.com/josephmisiti/awesome-machine-learning Awesome Machine Learning] [[image:awesome.png]]
 
*[https://github.com/josephmisiti/awesome-machine-learning Awesome Machine Learning] [[image:awesome.png]]
 +
*[https://github.com/EthicalML/awesome-production-machine-learning Awesome production machine learning] [[image:awesome.png]]
 
*[https://github.com/hangtwenty/dive-into-machine-learning#dive-into-machine-learning-- Dive into Machine Learning] [[image:awesome.png]]
 
*[https://github.com/hangtwenty/dive-into-machine-learning#dive-into-machine-learning-- Dive into Machine Learning] [[image:awesome.png]]
 +
*[https://github.com/ZuzooVn/machine-learning-for-software-engineers/blob/master/README-zh-CN.md 自上而下的学习路线: 软件工程师的机器学习]
 
*[http://www.kdnuggets.com/2015/12/top-10-machine-learning-github.html Top 10 Machine Learning Projects on Github]
 
*[http://www.kdnuggets.com/2015/12/top-10-machine-learning-github.html Top 10 Machine Learning Projects on Github]
 
*[https://ysfalo.github.io/2015/11/21/%E5%B8%B8%E7%94%A8%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%A1%86%E6%9E%B6/ 常用机器学习框架]
 
*[https://ysfalo.github.io/2015/11/21/%E5%B8%B8%E7%94%A8%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%A1%86%E6%9E%B6/ 常用机器学习框架]
 
*[[PredictionIO]]
 
*[[PredictionIO]]
 +
*[[Oryx]]
 
*[[Deeplearning4j]]
 
*[[Deeplearning4j]]
*[http://dmlc.ml/ DMLC] Distributed (Deep) Machine Learning Common
+
*[[MXNet]] [http://dmlc.ml/ DMLC] Distributed (Deep) Machine Learning Common
 
*[[TensorFlow]]
 
*[[TensorFlow]]
 
*[[DMTK]]
 
*[[DMTK]]
 +
*[https://github.com/amznlabs/amazon-dsstne Amazon DSSTNE]
 
*[[GNU Octave]]
 
*[[GNU Octave]]
 
*[[weka]]
 
*[[weka]]
第48行: 第55行:
 
*[[RapidMiner]]
 
*[[RapidMiner]]
 
*[[GoLearn]]
 
*[[GoLearn]]
 +
*[https://github.com/dotnet/machinelearning ML.NET] Machine Learning for [[.NET]]
 
*[http://datascienceassn.org/content/39-machine-learning-libraries-spark-categorized 39 Machine Learning Libraries for Spark]
 
*[http://datascienceassn.org/content/39-machine-learning-libraries-spark-categorized 39 Machine Learning Libraries for Spark]
 
*[http://madlib.net/ MADlib: Big Data Machine Learning in SQL for Data Scientists]
 
*[http://madlib.net/ MADlib: Big Data Machine Learning in SQL for Data Scientists]
第54行: 第62行:
 
*[https://github.com/harthur/brain brain]: [[Neural network|Neural networks]] in [[JavaScript]]
 
*[https://github.com/harthur/brain brain]: [[Neural network|Neural networks]] in [[JavaScript]]
 
*[https://velesnet.ml/ Veles]:三星机器学习平台
 
*[https://velesnet.ml/ Veles]:三星机器学习平台
 +
*[[Petuum]]
 +
*[[HPCC]]
  
 
==文档==
 
==文档==
第104行: 第114行:
 
==图集==
 
==图集==
 
<gallery>
 
<gallery>
 +
image:Neural-Network-and-Deep-Learning.png|神经网络与深度学习
 
image:machine-learning-supervised-vs-unsupervised-learning.png|机器学习
 
image:machine-learning-supervised-vs-unsupervised-learning.png|机器学习
 +
image:machine-learning-vs-deep-learning.png|机器学习和深度学习
 
image:machine-learning-algorithms.png|算法
 
image:machine-learning-algorithms.png|算法
 +
image:machine-learning-algorithms.jpg|算法
 +
image:types-of-machine-learning-algorithms-in-one-picture.png|算法
 +
image:machine-learning-supervised-unsupervised.png|算法
 
image:supervised-learning-model.png|监督学习模型
 
image:supervised-learning-model.png|监督学习模型
 
image:unsupervised-learning-model.png|无监督学习模型
 
image:unsupervised-learning-model.png|无监督学习模型
 
image:supervised-vs-unsupervised-learning.png|监督/无监督学习
 
image:supervised-vs-unsupervised-learning.png|监督/无监督学习
 +
image:difference-between-machine-learning-data-science-ai-deep-learning.png|学科差异
 
image:workflow-as-a-distributed-computation.png|ML工作流
 
image:workflow-as-a-distributed-computation.png|ML工作流
 
image:unsupervised-learning.png|无监督学习
 
image:unsupervised-learning.png|无监督学习
第115行: 第131行:
 
image:scikit-learn-algorithm.png|scikit-learn算法
 
image:scikit-learn-algorithm.png|scikit-learn算法
 
image:four-generations-of-machine-intelligence.png|四代机器智能
 
image:four-generations-of-machine-intelligence.png|四代机器智能
 +
image:integrating-machine-learning-in-large-software-systems.png|将机器学习集成进软件系统
 +
image:Gartner-2018-Magic-Quadrant-for-Data-Science-and-Machine-Learning.png|Gartner魔力象限
 +
image:probabilistic-graphical-models.png|概率图模型
 +
image:reinforcement-learning.png|强化学习
 
</gallery>
 
</gallery>
  
第122行: 第142行:
 
*[http://docs.huihoo.com/machine-learning/ 机器学习开放文档]
 
*[http://docs.huihoo.com/machine-learning/ 机器学习开放文档]
 
*[https://github.com/showcases/machine-learning Machine learning @ GitHub]
 
*[https://github.com/showcases/machine-learning Machine learning @ GitHub]
 +
*[http://mloss.org/software/ MLOSS (Machine Learning Open Source Software)]
 
*[http://www.infoq.com/cn/articles/ask-yoshua-bengio 对话机器学习大神Yoshua Bengio(上)]
 
*[http://www.infoq.com/cn/articles/ask-yoshua-bengio 对话机器学习大神Yoshua Bengio(上)]
 
*[http://www.infoq.com/cn/articles/ask-yoshua-bengio-2 对话机器学习大神Yoshua Bengio(下)]
 
*[http://www.infoq.com/cn/articles/ask-yoshua-bengio-2 对话机器学习大神Yoshua Bengio(下)]
第127行: 第148行:
 
*[http://www.infoq.com/machinelearning/ Machine Learning Content On InfoQ]
 
*[http://www.infoq.com/machinelearning/ Machine Learning Content On InfoQ]
 
*[http://www.flickering.cn/category/machine_learning/ 火光摇曳]
 
*[http://www.flickering.cn/category/machine_learning/ 火光摇曳]
 +
*[http://blog.youxu.info/ 4G Spaces]
 
*[http://www.infoq.com/cn/news/2015/04/aws-launches-machine-learning Amazon Web服务开展机器学习服务]
 
*[http://www.infoq.com/cn/news/2015/04/aws-launches-machine-learning Amazon Web服务开展机器学习服务]
 
*[http://blog.csdn.net/column/details/ml-ng-record.html 机器学习笔记]
 
*[http://blog.csdn.net/column/details/ml-ng-record.html 机器学习笔记]
第140行: 第162行:
 
*[http://www.csdn.net/article/2015-10-16/2825925 小团队撬动大数据——当当推荐团队的机器学习实践]
 
*[http://www.csdn.net/article/2015-10-16/2825925 小团队撬动大数据——当当推荐团队的机器学习实践]
 
*[http://www.r2d3.us/%E5%9C%96%E8%A7%A3%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E7%AC%AC%E4%B8%80%E7%AB%A0/?charset=simplified 图解机器学习]
 
*[http://www.r2d3.us/%E5%9C%96%E8%A7%A3%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E7%AC%AC%E4%B8%80%E7%AB%A0/?charset=simplified 图解机器学习]
 +
*[https://www.freelancer.com/community/articles/the-best-machine-learning-tools The Best Machine Learning Tools]
  
 
[[category:machine learning]]
 
[[category:machine learning]]
第145行: 第168行:
 
[[category:mathematics]]
 
[[category:mathematics]]
 
[[category:data science]]
 
[[category:data science]]
 +
[[category:spark]]
 
[[category:python]]
 
[[category:python]]
 +
[[category:scala]]
 
[[category:clojure]]
 
[[category:clojure]]

2020年7月27日 (一) 05:07的版本

Wikipedia-35x35.png 您可以在Wikipedia上了解到此条目的英文信息 Machine learning Thanks, Wikipedia.

machine learning 机器学习

机器学习是人工智能研究领域中的一个极其重要的方向。在现今大数据时代的背景下,捕获数据并从中萃取有价值的信息或模式,使得这一过去为分析师与数学家所专属的研究领域越来越为人们瞩目。

机器学习会成为研发未来人工智能的核心技术。人工智能发展的最大问题,是改进机器学习算法。

机器学习已经有了十分广泛的应用,例如:数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。

通常,人们会在三种情况下使用机器学习:

  • 数据挖掘:机器学习可以帮助人们从大型数据库里得到深刻的见解。
  • 统计工程:机器学习可以用来把数据转换成对不确定数据做决定的软件。
  • 人工智能:机器学习可以用来模拟人类的思维,来创造可以看到,听到和理解人的计算机。

目录

简介

机器学习是一种允许计算机使用现有数据预测未来行为、结果和趋势的数据科学方法,机器学习的预测可以使得应用和设备更智能。

新闻

自http://www.infoq.com/feed/MachineLearning加载RSS失败或RSS源被墙

机器学习与GPU

GPU彻底改变计算研究和工程

CUDA 是 NVIDIA 发明的一种并行计算平台和编程模型。它通过利用图形处理器 (GPU) 的处理能力,可大幅提升计算性能。

工业与学术界的数据科学家已将 GPU 用于机器学习以便在各种应用上实现开创性的改进,这些应用包括图像分类、视频分析、语音识别以及自然语言处理等等。 尤其是深度学习,人们在这一领域中一直进行大力投资和研究。深度学习是利用复杂的多级「深度」神经网络来打造一些系统,这些系统能够从海量的未标记训练数据中进行特征检测。

虽然机器学习已经有数十年的历史,但是两个较为新近的趋势促进了机器学习的广泛应用: 海量训练数据的出现以及 GPU 计算所提供的强大而高效的并行计算。 人们利用 GPU 来训练这些深度神经网络,所使用的训练集大得多,所耗费的时间大幅缩短,占用的数据中心基础设施也少得多。 GPU 还被用于运行这些机器学习训练模型,以便在云端进行分类和预测,从而在耗费功率更低、占用基础设施更少的情况下能够支持远比从前更大的数据量和吞吐量。

将 GPU 加速器用于机器学习的早期用户包括诸多顶级规模的网络和社交媒体公司,另外还有数据科学和机器学习领域中一流的研究机构。 与单纯使用 CPU 的做法相比,GPU 具有数以千计的计算核心、可实现 10-100 倍应用吞吐量,因此 GPU 已经成为数据科学家处理大数据的首选处理器。

项目

文档

图书

课程

讲义

机器学习的PPT讲义,包括基于符号和逻辑表示的概念学习,决策树,计算学习,规则学习,基于解释的学习等内容。

讲义下载:

视频

图集

链接

分享您的观点
个人工具
名字空间

变换
操作
导航
工具箱