機器學習10個基本概念
#機器學習
1. 監督學習：在監督學習中，算法從有標簽的訓練數據中學習，目標是使算法能夠對新的、未標記的數據進行準確的預測。常見的監督學習任務包括分類和回歸。
2. 無監督學習：?無監督學習中，算法沒有標簽的指導，目標是從數據中發現模式和結構。聚類和降維是無監督學習的例子，其中算法試圖識別數據中的相似性或提取關鍵特征。
3. 強化學習：強化學習是一種學習范式，代理通過與環境的互動學習，以實現最大化累積獎勵。該領域通常涉及制定決策策略，以在不同環境中取得最佳結果。
4. 特征工程：特征工程是通過選擇、轉換和創建特征來改善模型性能的過程。好的特征能夠提高模型的泛化能力和效果。
5. 神經網絡：?神經網絡是一種受到人腦結構啟發的模型，它由多個神經元組成，通過層次結構學習復雜的模式和表示。深度學習中的關鍵組成部分。
6. 深度學習： 深度學習是機器學習的一個分支，它使用深度神經網絡來進行學習和決策。深度學習在處理大規模數據和復雜任務方面取得了顯著的成功。
7. 過擬合： 過擬合指模型在訓練數據上表現很好，但在未見過的數據上表現較差。過度擬合可能是由于模型過于復雜或訓練數據過少引起的。
8. 交叉驗證：?交叉驗證是一種評估模型性能的方法，它將數據劃分為多個子集，輪流使用其中一個子集作為驗證集，其余作為訓練集，以綜合評估模型性能。
9. 梯度下降： 梯度下降是一種優化算法，通過沿著損失函數梯度的反方向更新模型參數，以最小化損失函數。這是訓練神經網絡等模型時常用的方法。
10. 數據集劃分：?數據集劃分是將數據集分為訓練集、驗證集和測試集的過程，目的是在訓練模型時用驗證集進行調優，最終用測試集評估模型的性能。
深度學習十個基本概念?#機器學習?#深度學習（Deep Learning）
1. 卷積神經網絡 (CNN):?CNN是一種專門用于處理網格化數據（如圖像）的深度學習架構，它通過卷積層有效地捕獲數據的空間結構信息。
2. 循環神經網絡 (RNN):?RNN是一類適用于序列數據的神經網絡，它在處理時考慮了時間步的信息，使其能夠更好地處理時序依賴性問題。
3. 長短時記憶網絡 (LSTM):?LSTM是一種RNN的變體，專門設計用于解決傳統RNN中梯度消失或梯度爆炸的問題，通過門控結構實現對長期依賴關系的學習。
4. 生成對抗網絡 (GAN):?GAN是由生成器和判別器組成的網絡，它們相互對抗，生成器試圖生成逼真的數據，而判別器試圖區分真實數據和生成數據。這推動了生成模型的發展。
5. 遷移學習:?遷移學習是指在解決一個任務時，利用從另一個相關任務中學到的知識。這對于數據稀缺的情況下訓練深度學習模型特別有用。
6. 批量歸一化 (Batch Normalization):?批量歸一化是一種用于加速神經網絡訓練的技術，通過對每個批次的輸入進行歸一化，有助于防止梯度消失或梯度爆炸。
7. 自編碼器 (Autoencoder):?自編碼器是一種無監督學習模型，旨在學習數據的緊湊表示，由編碼器和解碼器組成。
8. 迭代優化算法 (Optimization Algorithms):?包括梯度下降、Adam、RMSProp等，用于調整模型參數以最小化損失函數，促使模型收斂到最佳狀態。
9. 殘差網絡 (Residual Network, ResNet):?ResNet是一種深度神經網絡結構，通過引入殘差塊，解決了深度網絡中梯度消失和模型難以訓練的問題。
10. 注意力機制 (Attention Mechanism):?注意力機制允許模型在處理序列數據時更加關注重要的部分，提高了模型對長距離依賴關系的建模能力。
