机器学习是什么?AIGC又是什么?机器学习与AIGC未来科技的双引擎

💗💗💗欢迎来到我的博客,你将找到有关如何使用技术解决问题的文章,也会找到某个技术的学习路线。无论你是何种职业,我都希望我的博客对你有所帮助。最后不要忘记订阅我的博客以获取最新文章,也欢迎在文章下方留下你的评论和反馈。我期待着与你分享知识、互相学习和建立一个积极的社区。谢谢你的光临,让我们一起踏上这个知识之旅!
请添加图片描述

文章目录

  • 🍀机器学习是什么
  • 🍀AIGC又是什么
  • 🍀经典的机器学习算法
    • 🍀线性回归(Linear Regression)
    • 🍀逻辑回归(Logistic Regression)
    • 🍀支持向量机(SVM, Support Vector Machine)
    • 🍀决策树(Decision Tree)
    • 🍀随机森林(Random Forest)
  • 🍀机器学习算法的分类
  • 🍀机器学习算法的术语

🍀机器学习是什么

机器学习是人工智能的一个子领域,专注于让计算机通过数据和经验自我学习和改进。与传统编程不同,在机器学习中,程序不是通过明确的指令来解决问题,而是通过分析数据来找出模式和规律,从而做出预测或决策。

🍀AIGC又是什么

AIGC(Artificial Intelligence Generated Content)指的是由人工智能生成的内容。随着人工智能技术的不断发展,AIGC正在改变内容创作的方式,使得生成高质量文本、图像、音频和视频变得更加高效和可行。

感兴趣的小伙伴可以阅读下面一篇知网的文章,帮助你更好地去了解AIGC的发展及前景~

在这里插入图片描述

🍀经典的机器学习算法

一些经典的机器学习算法包括:

🍀线性回归(Linear Regression)

用于预测连续值,基于线性关系。
示例代码:

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 生成数据
np.random.seed(0)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

# 拟合线性回归模型
model = LinearRegression()
model.fit(X, y)
X_new = np.array([[0], [2]])
y_predict = model.predict(X_new)

# 绘图
plt.scatter(X, y)
plt.plot(X_new, y_predict, color='red', linewidth=2)
plt.title("Linear Regression")
plt.xlabel("X")
plt.ylabel("y")
plt.grid()
plt.show()

运行实例
在这里插入图片描述


🍀逻辑回归(Logistic Regression)

用于二分类问题,通过逻辑函数来估计事件发生的概率。
示例代码:

from sklearn.linear_model import LogisticRegression

# 生成数据
X = np.random.rand(100, 1) * 10
y = (X > 5).astype(int).ravel()

# 拟合逻辑回归模型
model = LogisticRegression()
model.fit(X, y)

# 绘图
X_test = np.linspace(0, 10, 100).reshape(-1, 1)
y_prob = model.predict_proba(X_test)[:, 1]

plt.scatter(X, y, color='blue')
plt.plot(X_test, y_prob, color='red')
plt.title("Logistic Regression")
plt.xlabel("X")
plt.ylabel("Probability")
plt.grid()
plt.show()

运行实例:
在这里插入图片描述


🍀支持向量机(SVM, Support Vector Machine)

寻找最佳超平面,将不同类别的数据点分隔开。
示例代码:

from sklearn import datasets
from sklearn.svm import SVC

# 生成数据
X, y = datasets.make_blobs(n_samples=100, centers=2, random_state=6)
model = SVC(kernel='linear')
model.fit(X, y)

# 绘图
plt.scatter(X[:, 0], X[:, 1], c=y, s=30)
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()

# 创建网格以绘制决策边界
xx = np.linspace(xlim[0], xlim[1], 50)
yy = np.linspace(ylim[0], ylim[1], 50)
YY, XX = np.meshgrid(yy, xx)
xy = np.vstack([XX.ravel(), YY.ravel()]).T
Z = model.decision_function(xy).reshape(XX.shape)

plt.contour(XX, YY, Z, colors='k', levels=[0], alpha=0.5, linestyles='--')
plt.title("Support Vector Machine")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.grid()
plt.show()

运行实例:
在这里插入图片描述

🍀决策树(Decision Tree)

通过树形结构进行决策,简单易懂,适用于分类和回归任务。
示例代码:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
data = load_iris()
X, y = data.data, data.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树模型
dt = DecisionTreeClassifier()
dt.fit(X_train, y_train)

# 预测
y_pred_dt = dt.predict(X_test)

# 评估
accuracy_dt = accuracy_score(y_test, y_pred_dt)
print(f"决策树准确率: {accuracy_dt}")

运行实例:

决策树准确率: 1.0

🍀随机森林(Random Forest)

集成多个决策树以提高预测准确性和控制过拟合。
示例代码:

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集
data = load_iris()
X, y = data.data, data.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建随机森林模型
rf = RandomForestClassifier()
rf.fit(X_train, y_train)

# 预测
y_pred_rf = rf.predict(X_test)

# 评估
accuracy_rf = accuracy_score(y_test, y_pred_rf)
print(f"随机森林准确率: {accuracy_rf}")

运行实例:

随机森林准确率: 1.0


🍀机器学习算法的分类

机器学习算法通常根据其学习方式进行分类:

监督学习(Supervised Learning):使用带标签的数据进行训练,目标是学习输入与输出之间的映射关系。常见算法包括线性回归、逻辑回归、决策树等。

无监督学习(Unsupervised Learning):使用未标记的数据进行训练,目的是发现数据的潜在结构或模式。常见算法包括K-means聚类、主成分分析(PCA)等。

半监督学习(Semi-Supervised Learning):结合少量标记数据和大量未标记数据进行训练,适用于标记成本高的场景。

强化学习(Reinforcement Learning):通过与环境的交互进行学习,最大化累积奖励。常用于游戏、机器人控制等领域。

单单看上面这些文绉绉的话术难免摸不着头脑,下面我将带领你通过一些小故事来更好的了解他们

  • 监督学习

想象你是一名老师,你有一堆学生的考试卷子(带标签的数据),每份卷子都有分数(输出)。你发现了一种方法,能根据学生的学习时间(输入)来预测他们的分数。于是,你通过分析这些数据,训练出一个模型。下次考试时,你可以根据学生的学习时间快速预测他们的分数。

  • 无监督学习

现在假设你是一个侦探,面对一堆没有任何标签的证据(未标记的数据)。你需要找出这些证据之间的关系。你开始将相似的证据分在一起,比如将所有关于同一个嫌疑人的证据放在一个文件夹里。通过这个过程,你发现了潜在的模式,帮助你理清案件的脉络。

  • 半监督学习

想象你正在组织一场派对。你手头有一些受邀者的名单(少量标记数据),但是大多数人没有回复(大量未标记数据)。为了确保派对成功,你决定根据已经回复的人(标记数据)和没有回复的人(未标记数据)来推测其他人可能的意向。通过这种方式,你能更好地计划食物和饮料的数量。

  • 强化学习

想象你是一只小猴子,在一个果树上寻找香蕉(奖励)。每次你爬到树上(与环境互动),如果找到香蕉,你会感到高兴(得到奖励)。如果你走错方向,没有找到香蕉,你就会记住这个教训。通过不断尝试和改进,小猴子逐渐学会了最快的路线来获取更多的香蕉。


🍀机器学习算法的术语

在机器学习中,有一些常见的术语需要了解:

  1. 特征(Feature):用于描述数据的属性或变量,特征选择是构建模型的重要步骤。
  2. 标签(Label):在监督学习中,标签是模型要预测的目标变量。
  3. 训练集(Training Set):用于训练模型的数据集。
  4. 测试集(Test Set):用于评估模型性能的数据集。
  5. 过拟合(Overfitting):模型在训练数据上表现良好,但在新数据上表现不佳的情况。
  6. 欠拟合(Underfitting):模型在训练数据上表现不佳,无法捕捉数据的内在模式。
  7. 模型评估(Model Evaluation):使用指标(如准确率、F1-score等)来评估模型的性能。

等等…在接下来的学习中可能我们会遇到更多的术语,例如:P、R、F等等之类的

在这里插入图片描述

挑战与创造都是很痛苦的,但是很充实。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/908422.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

.net core 接口,动态接收各类型请求的参数

[HttpPost] public async Task<IActionResult> testpost([FromForm] object info) { //Postman工具测试结果&#xff1a; //FromBody,Postman的body只有rawjson时才进的来 //参数为空时&#xff0c;Body(form-data、x-www-form-urlencoded)解析到的数据也有所…

探索Unity:从游戏引擎到元宇宙体验,聚焦内容创作

unity是实时3D互动内容创作和运营平台&#xff0c;包括游戏开发、美术、建筑、汽车设计、影视在内的所有创作者&#xff0c;借助Unity将创意变成现实。提供一整套完善的软件解决方案&#xff0c;可用于创作、运营和变现任何实时互动的2D和3D内容&#xff0c;支持平台包括手机、…

构造有向(无向)加权图

邻接表的一般构造 #include<bits/stdc.h> #define N 1e4 using namespace std; typedef struct BP{ int P;//边所指的顶点位置 struct BP *nextB;//指向下一条边的指针 int Q;//储存边的信息 }BP; typedef struct DP{ int date;//顶点信息 BP *FirstB;//指向第一条连接…

RabbitMQ交换机类型

RabbitMQ交换机类型 1、RabbitMQ工作模型2、RabbitMQ交换机类型2.1、Fanout Exchange&#xff08;扇形&#xff09;2.1.1、介绍2.1.2、示例2.1.2.1、生产者2.1.2.2、消费者2.1.2.3、测试 2.2、Direct Exchange&#xff08;直连&#xff09;2.2.1、介绍2.2.2、示例2.2.2.1、生产…

字符串算法

字符串 1.kmp匹配算法Anya and 1100 1.kmp匹配算法 模板题链接 不懂可以看这个~详细的思路 #include <string> #include <iostream>using namespace std; const int N 1000010;string s,p;// s[]是长文本&#xff0c;p[]是模式串&#xff0c;n是s的长度&#xff…

WSL开发--利用Git连接远程仓库(详细步骤)

这篇文章主要介绍了如何将本地项目推送到 GitLab 上&#xff0c;并且避免每次提交都需要输入用户名和密码。文中分步讲解了配置 GitLab SSH 密钥以及配置 Git 远程仓库地址的方法。以下是文章的优化和简洁版&#xff1a; 将本地项目推送到 GitLab 并配置 SSH 免密登录 为了方便…

操作系统(10) (并发(2)------基于软件/硬件/操作系统层面解决两个进程之间的临界区问题/抢占式/非抢占式内核)

目录 1. 基于软件层面(Petersons Solution) Petersons Solution 满足三个要求: 好处: 缺点 2. 基于硬件层面 1. Disabling Interrupts (禁用中断) 概念解释&#xff1a; 代码框架&#xff1a; 要求&#xff1a; 禁用中断的好处与问题&#xff1a; 2. Test and Set Lock (…

基于 JAVASSM 框架沙县小吃点餐系统

基于 JAVASSM 框架&#xff08;即 Java Spring Spring MVC MyBatis&#xff09;开发一个沙县小吃点餐系统。 步骤一&#xff1a;需求分析 明确系统需要实现的功能&#xff0c;比如&#xff1a; 用户注册和登录浏览菜单添加菜品到购物车下单并支付订单管理后台管理&#…

零基础Java第十三期:继承与多态(一)

目录 一、继承 1.1. 继承的目的 1.2. 继承的概念 1.3. 继承的语法 1.4. 父类的访问 1.5. 继承中的重载与重写 1.6. 子类的构造方法 1.7. 再谈初始化 一、继承 1.1. 继承的目的 我们来定义一个Dog和Cat的类&#xff1a; public class Dog {public int age;public Strin…

论文翻译 | Evaluating the Robustness of Discrete Prompts

摘要 离散提示已被用于调整预训练语言模型&#xff0c;以适应不同的NLP任务。特别是&#xff0c;从一小组训练实例中生成离散提示的自动方法已经报告了优越的性能。然而&#xff0c;仔细观察习得的提示会发现&#xff0c;它们包含嘈杂和反直觉的词汇结构&#xff0c;而这些在手…

SQL,力扣题目1549,每件商品的最新订单【窗口函数】

一、力扣链接 LeetCode_1549 二、题目描述 表: Customers ------------------------ | Column Name | Type | ------------------------ | customer_id | int | | name | varchar | ------------------------ customer_id 是该表主键. 该表包含消费者的…

mysql查表相关练习

作业要求&#xff1a; 单表练习&#xff1a; 1 . 查询出部门编号为 D2019060011 的所有员工 2 . 所有财务总监的姓名、编号和部门编号。 3 . 找出奖金高于工资的员工。 4 . 找出奖金高于工资 40% 的员工。 5 找出部门编号为 D2019090011 中所有财务总监&#xff0c;和…

广东网站设计提升你网站在搜索引擎中的排名

在当今网络盛行的时代&#xff0c;拥有一个设计优良的网站&#xff0c;对企业的在线发展至关重要。特别是对于广东地区的企业来说&#xff0c;网站设计不仅仅是美观的问题&#xff0c;更直接影响着搜索引擎中的排名。因此&#xff0c;精心策划和设计的网站&#xff0c;能够显著…

qt QGroupBox详解

1、概述 QGroupBox是Qt框架中的一个容器控件&#xff0c;主要用于组织和管理一组相关的控件&#xff08;如按钮、复选框、文本框等&#xff09;&#xff0c;并为这些控件提供一个框架和标题。通过使用QGroupBox&#xff0c;可以创建具有逻辑分组和视觉层次结构的用户界面&…

数据库管理-第256期 Oracle DB 23.6新特性一览(20241031)

数据库管理256期 2024-10-31 数据库管理-第256期 Oracle DB 23.6新特性一览&#xff08;20241031&#xff09;1 AI向量搜索&#xff1a;新的向量距离度量2 混合向量索引3 分区&#xff1a;本地邻近分区向量索引4 持久邻近图向量索引5 稀疏向量6 邻居图向量索引的事务支持7 特征…

应急响应----本地环境配置,对内存马的研究分析

应急响应----本地环境配置,对内存马查杀研究分析 注:后续添加的补充内容框架型内存马 SpringController型内存马:动态注册Controller及映射路由。 SpringInterceptor型内存马:动态注册Interceptor及映射路由。 启动环境: Spring框架启动(Controller型内存马和Intercept…

JAVA 插入 JSON 对象到 PostgreSQL

博主主页:【南鸢1.0】 本文专栏&#xff1a;JAVA 目录 ​编辑 简介 所用&#xff1a; 1、 确保 PostgreSQL 数据库支持 JSON&#xff1a; 2、添加 PostgreSQL JDBC 驱动 3、安装和运行 PostgreSQL 4、建立数据库的连接 简介 在现代软件开发中&#xff0c;由于 JSON 数据…

AUTOSAR CP NVRAM Manager规范导读

一、NVRAM Manager功能概述 NVRAM Manager是AUTOSAR(AUTomotive Open System ARchitecture)框架中的一个模块,负责管理非易失性随机访问存储器(NVRAM)。它提供了一组服务和API,用于在汽车环境中存储、维护和恢复NV数据。以下是NVRAM Manager的一些关键功能: 数据存储和…

机器学习:我们能用机器学习来建立投资模型吗

机器学习模型能解决什么投资问题&#xff1f; 利用机器学习解决投资问题的思路&#xff0c;其实和在互联网领域解决推荐、广告问题的思路是一样的&#xff0c;只不过利用的特征完全变了。推荐、广告模型利用的是用户的年龄、性别&#xff0c;物品的类别、价格等特征&#xff0c…

FBX福币交易所国际油价突然大涨!美伊针锋相对

11月4日早上,国际原油大幅高开。WTI原油一度涨超2%。 消息面上,主要产油国宣布延长自愿减产措施至12月底 FBX福币凭借用户友好的界面和对透明度的承诺,迅速在加密货币市场中崭露头角,成为广大用户信赖的平台。 石油输出国组织(欧佩克)发表声明说,8个欧佩克和非欧佩克产油国决…