第一步：机器学习简介 什么是机器学习？ 机器学习的历史 机器学习的特点 需要机器学习 机器学习的应用 机器学习的生命周期 用于 ML 的最佳 Python 库 人工智能与机器学习 深度学习与机器学习 步骤 2. 机器学习基础知识 机器学习的分类 监督学习 无监督学习 强化学习 机器学习数据集 均值、众数和中位数的知识 标准差 方差 过拟合 欠拟合  偏差和方差 权衡 坡度： 批 随机 因变量

笔记： 如果您在 2021 年看到这篇文章并想，“嗯，我想知道这是否仍然有效？”，它是！视频/路线图中的主要概念仍然有效，但是您可能会注意到整个列出的网站发生了一些更改（例如，它们进行了设计更改）。 如果您曾经想要一个包含机器学习中许多最基本概念的互连网络，2020 年机器学习路线图将为您提供帮助。 当然，它并不能涵盖所有内容，需要多本教科书，但这足以开始并持续很长时间。

机器学习中有很多概念是初学者应该掌握的。这些概念之一是机器学习模型的训练。因此，如果您以前从未训练过机器学习模型，那么本文适合您。在本文中，我将引导您了解如何使用 Python 训练机器学习模型。 为什么我们需要训练机器学习模型？ 机器学习中的大多数概念都围绕着训练机器学习模型，但是为什么需要训练模型呢？答案是我们训练一个模型来找到自变量和因变量之间的关系，以便我们可以预测因变量的未来值。 因此

工业 4.0 术语 什么是模型训练？ 机器学习训练模型是一个为机器学习 (ML) 算法提供足够的训练数据以供学习的过程。 机器学习模型可以通过多种方式进行训练，从而使制造流程受益。机器学习模型处理大量数据的能力可以帮助制造商识别异常并测试相关性，同时在数据源中搜索模式。它可以为制造商提供预测性维护能力，并最大限度地减少计划内和计划外停机时间。 什么是机器学习中的模型训练？ 训练模型是用于训练

您可以使用新训练的模型做很多事情。您可以将其导入到您正在构建的软件应用程序中，将其部署到 Web 后端或上传并托管到云服务中。您经过训练的模型现在已准备好接收新数据并为您提供预测（又称结果）。  根据您使用的算法类型，这些结果可能看起来有所不同。如果您需要知道某物是什么，请使用分类算法，它有两种类型。二元分类对两个类别之间的数据进行分类。多类分类在（您猜对了）多个类别之间对数据进行排序。

配置并提交训练作业 在本文中，你将了解如何配置和提交 Azure 机器学习作业来训练模型。代码片段解释了配置和提交训练脚本的关键部分。然后使用示例笔记本之一查找完整的端到端工作示例。 训练时，通常从本地计算机开始，然后扩展到基于云的集群。借助 Azure 机器学习，你可以在各种计算目标上运行脚本，而无需更改训练脚本。 您需要做的就是为一个计算目标中的每个计算目标定义环境 脚本作业配置 。然后

模型超参数 超参数是模型外部的配置选项。这些是无法从数据确定的值。超参数用于控制学习过程的速度和质量。 选择主干和预训练的权重 主干是指神经网络架构中用于特征提取的可互换组件。骨干网和预训练权重是模型的一部分。如今，更改主干和权重就像修改代码中的一个参数一样简单。这是对象检测和语义分割模型中使用的常用技术。一些流行的主干网络包括 ResNet 18、ResNet 34 和 VGG 19。

步骤 1.了解业务问题（并定义成功） 任何机器学习项目的第一阶段都是了解业务需求。在尝试解决问题之前，您需要知道要解决的问题是什么。 本文是 其中还包括： 首先，与项目所有者合作并确保您了解项目的目标和要求。目标是将这些知识转化为适合机器学习项目的问题定义，并制定实现项目目标的初步计划。需要回答的关键问题包括： 需要认知解决方案的业务目标是什么？ 解决方案的哪些部分是认知性的，哪些不是？

训练机器学习 (ML) 模型是一个向机器学习算法提供可以学习的训练数据的过程。机器学习模型可以通过多种方式进行训练，通过快速处理大量数据、识别模式、发现异常或测试相关性，这些对于人类在独立的情况下很难做到。  什么是模型训练？ 模型训练是数据科学开发生命周期的核心，数据科学团队致力于将最佳权重和偏差拟合到算法中，以最小化预测范围内的损失函数。损失函数定义了如何优化 ML 算法

教程：在 Azure 机器学习中训练模型 了解数据科学家如何使用 Azure 机器学习来训练模型。在此示例中，我们使用关联的信用卡数据集来展示如何使用 Azure 机器学习来解决分类问题。目标是预测客户是否很有可能拖欠信用卡付款。 训练脚本处理数据准备，然后训练和注册模型。本教程将引导您完成提交基于云的训练作业（命令作业）的步骤。如果你想详细了解如何将数据加载到 Azure，请参阅教程：在