介绍 过去几年对于人工智能从业者来说就像坐过山车。如果您正在考虑进入该领域，那么这个博客适合您。 我们每月提供一份路线图，并附加所有必要的免费资源。如果你遵循这个行动计划，你就会清楚地了解这个领域的意义。您将遇到您应该面对的所有挑战，并学会（靠您自己）克服它们。这条路径还将测试您对该领域的热情，并将回答您对机器学习 (ML) 是否适合您的所有疑问。 免责声明： 旅程并不容易。但如果你坚持下去

2021 年机器学习工程师路线图 受网络开发人员路线图启发，2021 年成为机器学习工程师的路线图。 下面的一组图表展示了成为机器学习工程师可以采取的路径以及想要采用的技术。我为我的一位老教授制作了这些图表，他想与他的大学生分享一些东西，为他们提供一个视角；在这里分享它们以帮助社区。 这些路线图的目的 这些路线图的目的是让您了解情况，并在您对接下来要学习什么感到困惑时为您提供指导

应我的朋友 Richaldo 的请求，在这篇文章中，我将解释机器学习算法的类型以及何时应该使用每种算法。我特别认为，了解机器学习算法的类型就像了解人工智能的大局一样，了解该领域正在做的所有事情的目标是什么，让你能够更好地分解一个问题。真正的问题并设计一个机器学习系统。 本文中经常使用的术语： 标记数据 ：由一组数据组成 训练示例， 其中每个示例都是 一对 由输入和期望的输出值（也称为 监控信号

更新于 2023 年 3 月 21 日 机器学习算法类型简介 机器学习算法类型或人工智能计算是程序（数学和原理），当它们呈现更多信息时，它们会自我修改以表现得更好。 “适应”人工智能的某些部分意味着这些项目在一段时间后会改变它们处理信息的方式，就像人们通过学习改变他们处理信息的方式一样。因此，考虑到过去对数据集的展览制作期望的批评，机器学习或人工智能计算是一种采用特定方法来改变其自身参数的程序。

机器学习算法及其应用指南 “机器学习”一词经常错误地与人工智能[JB1]互换，但机器学习实际上是一个子 人工智能的领域/类型。机器学习通常也称为预测分析或预测建模。 “机器学习”一词由美国计算机科学家 Arthur Samuel 于 1959 年创造，被定义为“计算机无需显式编程即可学习的能力”。 最基本的是，机器学习使用编程算法来接收和分析输入数据，以预测可接受范围内的输出值

使用 Python 进行机器学习 - 算法 机器学习算法大致可以分为两类 - 监督 和 无监督 。本章详细讨论它们。 监督学习 该算法由目标或结果或因变量组成，该变量是根据给定的一组预测变量或自变量预测的。使用这些变量集，我们生成一个函数，将输入变量映射到所需的输出变量。训练过程持续进行，直到模型在训练数据上达到所需的准确度。 监督学习的例子 - 回归、决策树、随机森林、KNN、逻辑回归等。

机器学习算法 - 简介 机器学习算法是人工智能的重要组成部分。这些算法可以实现机器的智能，而无需以某种方式对其进行编程。机器学习提供了广泛的应用，可以有效地为各种复杂问题提供解决方案。它还可以为企业节省时间和金钱，并得出快速、可靠的结果。 机器学习（ML）可以定义为对自动增强其功能的计算机算法的研究。机器学习是指给定的机器使用输入的数据从自己的经验中学习。这就是为什么它成为人工智能的重要组成部分

谷歌的自动驾驶汽车和机器人受到了广泛关注，但该公司真正的未来在于机器学习，这项技术使计算机变得更智能、更个性化。 埃里克·施密特（谷歌董事长） 我们可能生活在人类历史上最具决定性的时期。计算从大型机转移到个人电脑再到云的时期。但决定它的不是已经发生的事情，而是未来几年将发生的事情。对于像我这样的人来说，这段时期令人兴奋和着迷的是随着计算的发展而出现的各种工具、技术和机器学习算法的民主化

朴素贝叶斯分类器算法 对网页、论文或电子邮件等数据文本进行手动分类具有挑战性。朴素贝叶斯分类器算法处理此任务。该过程基于贝叶斯概率定理。它将元素值分配给可能类别之一的总体。 P(y|X) = \frac{P(X|y) P(y)}{P(X)} 其中 y 是类变量，X 是相关特征向量（大小为 n），其中： X = (x_1,x_2,x_3,…..,xn)

现在，考虑独立成分分析（ICA），它被认为是一种统计和计算技术。它有助于揭示或揭示随机变量、测量值或信号组中隐藏的因素。 ICA 有助于定义生成模型。该模型代表观察到的多元数据。它通常以大型样本数据库的形式被识别。嗯，在模型中，数据变量被假设为少数鲜为人知的线性混合 已知或者可以称之为未知潜变量，甚至混合系统也是未知的。然后是潜在变量。这些变量实际上被假设为非高斯变量。他们甚至是相互独立的