3 机器学习简介 根据 Arthur Samuel（1959）的说法，ML 是一个研究领域，它赋予计算机无需明确编程的学习能力。因此，我们可以将 ML 定义为计算机科学领域，其中可以设计可以自行编程的机器 [20]。 学习的过程只是从以前的工作中的经验或观察（例如示例或指令）中学习，以寻找数据中的模式并在示例的帮助下，前提是系统可以做出更好的决策

自那以后，人们对学习机器学习的兴趣猛增 哈佛商业评论 文章将“数据科学家”称为“21 世纪最性感的工作”。但如果你刚刚开始接触机器学习，可能会有点困难。这就是为什么我们要重新启动关于适合初学者的优秀机器学习算法的非常受欢迎的帖子。 （这篇文章最初发表在 KDNuggets 上，标题为“机器学习工程师需要知道的 10 种算法”。它已通过 Perlesson 重新发布，最后更新于 2019 年）。

图片由编辑提供 Python 和 R 是机器学习中最常用的两种编程语言。两者都是开源且易于访问的，但 Python 是一种通用语言，而 R 是一种统计编程语言。这使其成为各种数据角色和应用程序的理想选择，例如数据挖掘。 这两种编程语言还鼓励可重用性，这意味着新手机器学习工程师和爱好者不必从头开始编写代码。使用它们来构建项目就是集成正确的模块和算法 - 您所需要知道的就是在哪里查找

尽管我们正经历一个 GPU 加速机器学习非凡创新的时代，但最新的研究论文经常（而且突出地）介绍的算法已有数十年历史，在某些情况下已有 70 年历史。 有些人可能会争辩说，许多旧方法属于“统计分析”而不是机器学习的范畴，并且更倾向于将这一领域的出现追溯到 1957 年感知器的发明。 考虑到这些旧算法在多大程度上支持并融入机器学习的最新趋势和引人注目的发展，这是一个有争议的立场。因此

机器学习在技术领域变得越来越主导。对于每个与该行业相关的人来说，了解机器如何进行自主学习至关重要。例如，作为美国领先的软件公司，我们通过使用算法以某种方式操纵数据来实现这一目标，即对未来进行预测、提供见解并从中学习。这就是为什么了解机器学习算法的类型很重要。 机器学习算法的类型 ML 算法大致分为四种类型：监督式、半监督式、无监督式和强化机器学习算法。 监督机器学习算法

流行的机器学习算法列表 1. 线性回归 要了解线性回归的工作功能，想象一下如何按重量递增的顺序排列随机的木头。有一个问题；然而，您无法对每根原木进行称重。您必须仅通过查看原木的高度和周长（视觉分析）并使用这些可见参数的组合来排列它们来猜测它的重量。这就是机器学习中的线性回归。 在此过程中，通过将自变量和因变量拟合到一条线上，在自变量和因变量之间建立关系。这条线称为回归线，由线性方程 Y= a

传统机器学习算法和模型列表 正在寻找主要机器学习算法和模型的整洁但易于访问的列表？然后继续阅读！ 这篇文章的目标是概述最基本的，有时也称为  '传统的'  机器学习模型，简要描述每个模型，并引导您找到大量资源，您可以在其中深入了解它们。 我们将从最简单的模型到最复杂的模型，概述每个模型的优点、它们可以在哪里以及应该在哪里使用，并查看一些示例。您将来可以使用这篇文章作为讨论使用哪种 ML

7.梯度提升决策树（GBDT） GBDT 是一种集成算法，它使用 提升 组合个体决策树的方法。 Boosting 意味着将学习算法串联起来，从许多顺序连接的弱学习器中获得强学习器。对于 GBDT，弱学习器是决策树。 每棵树都试图最小化前一棵树的错误。 boosting 中的树是弱学习器，但串联添加许多树并且每棵树都专注于前一棵树的错误，使得 boosting 成为一个高效且准确的模型。与

机器学习可以分为三种不同类型的学习：无监督学习、监督学习和半监督学习。 无监督学习 使用未标记的信息数据，这样机器就可以根据模式、相似性和差异在没有指导的情况下工作。 另一方面， 监督学习 有一位“老师”，负责通过标记要使用的数据来训练机器。接下来，机器接收一些示例，使其能够产生正确的结果。 但这些类型的学习有一种混合方法，即 半监督 学习适用于标记和未标记的数据

机器学习备忘单 无监督学习：降维 PCA（主成分分析） 主成分分析，或 主成分分析 ，是一种通过将大量变量集合压缩为较小的集合来减少大型数据集中维数的技术，该较小的集合保留了广泛集合的大部分信息。 以下是在 Python 中成功进行 PCA 的五个步骤： 标准化连续初始变量的范围。 计算协方差矩阵以识别相关性。 计算协方差矩阵的特征向量和特征值以识别主成分。 创建一个特征向量来决定保留哪些主成分