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:http://www.rhkb.cn/news/464144.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

动态规划应该如何学习?

动态规划如何学习 参考灵神的视频和题解做的笔记(灵神YYDS,以后也都会用这套逻辑去思考) 枚举选哪个: 动态规划入门:从记忆化搜索到递推_哔哩哔哩_bilibili 746. 使用最小花费爬楼梯 - 力扣(LeetCode&a…

虚拟化环境中的精简版 Android 操作系统 Microdroid

随着移动设备的普及和应用场景的多样化,安全性和隐私保护成为了移动操作系统的重要课题。Google推出的Microdroid,是一个专为虚拟化环境设计的精简版Android操作系统,旨在提供一个安全、隔离的执行环境。本文将详细介绍Microdroid的架构、功能…

【Docker系列】指定系统平台拉取 openjdk:8 镜像

💝💝💝欢迎来到我的博客,很高兴能够在这里和您见面!希望您在这里可以感受到一份轻松愉快的氛围,不仅可以获得有趣的内容和知识,也可以畅所欲言、分享您的想法和见解。 推荐:kwan 的首页,持续学…

(七)Python运算符和优先级

一、算数运算符 算数运算符,如下表所示: x1 y2 z3 # 加法运算 axy print(a,a) # 减法运算 by-x print(b,b) # 乘法运算 cy*z print(c,c) # 除法运算 dz/y print(d,d) # 取模运算 ez%y print(e,e) # 幂运算 fy**z print(f,f) 输出结果: 二…

Linux中使用NGINX

NGINX简介 Nginx(engine x)是俄罗斯人编写的十分轻量级的HTTP服务器是一个高性能的HTTP和反向代理服务器,同时也是一个IMAP/POP3/SMTP代理服务器官方网站:http://nginx.org/ NGINX概述 Nginx默认配置文件:/etc/ngin…

数据结构之线段树

线段树 线段树(Segment Tree)是一种高效的数据结构,广泛应用于计算机科学和算法中,特别是在处理区间查询和更新问题时表现出色。以下是对线段树的详细解释: 一、基本概念 线段树是一种二叉搜索树,是算法竞…

【C++】继承的理解

1.继承的概念和定义 1.1继承的概念 继承 (inheritance) 机制是面向对象程序设计 使代码可以复用 的最重要的手段,它允许程序员在 保 持原有类特性的基础上进行扩展 ,增加功能,这样产生新的类,称派生类。继承 呈现了面向对象 程序…

C++ 详细讲解 洛谷P1428 小鱼比可爱

(其实这道题难度不高,但是博主正在适应c语言加上这道题目太可爱了所以忍不住发发~) 目录 1.题目要求 2.题目解读 3.代码实现 1.题目要求 2.题目解读 这道题需要使用c中的容器储存小鱼的可爱程度和不如自己可爱的小鱼的数目,…

Android亮屏Job的功耗优化方案

摘要: Job运行时会带来持锁的现象,目前灭屏放电Job的锁托管已经有doze和绿盟标准监管,但是亮屏时仍旧存在过长的持锁现象,故为了优化功耗和不影响用户体验下,新增亮屏放电下如果满足冻结和已运行过一次Job,则进行job限制,当非冻结时恢复的策略 1.现象: (gms_schedu…

Spring1(初始Spring 解耦实现 SpringIOC SpringDI Spring常见面试题)

Spring1 创建项目集成maven创建一个Maven项目实现: 初识SpringSpring简介Spring的发展历史Spring之父体系结构生态系统官方文档解耦实现JDBCSpringBoot整合MyBatis和lombok,开启驼峰映射三层思想 SpringIOC实现 SpringDIset注入全部代码:实现…

服务器新建用户

文章目录 前言一、步骤二、问题三、赋予管理员权限总结 前言 环境: 一、步骤 创建用户需要管理员权限sudo sudo useradd tang为用户设置密码 sudo passwd tang设置密码后,可以尝试使用 su 切换到 tang 用户,确保该用户可以正常使用&#…

leetcode-88-合并两个有序数组

题解: 解法一:从后向前同时遍历两个数组,因为nums1后面是0,从后遍历节省空间。 1、定义三个指针,分别为:len1m-1指向nums1的最后一个非0数字;len2n-1指向nums2的最后一个数字;len3…

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: 代码框架: 要求: 禁用中断的好处与问题: 2. Test and Set Lock (…

Java | Leetcode Java题解之第526题优美的排列

题目&#xff1a; 题解&#xff1a; class Solution {public int countArrangement(int n) {int[] f new int[1 << n];f[0] 1;for (int mask 1; mask < (1 << n); mask) {int num Integer.bitCount(mask);for (int i 0; i < n; i) {if ((mask & (1…

2024年大厂AI大模型面试题精选与答案解析

前言 随着AI市场&#xff0c;人工智能的爆火&#xff0c;在接下来的金九银十招聘高峰期&#xff0c;各大科技巨头和国有企业将会对AGI人才的争夺展开一场大战&#xff0c;为求职市场注入了新的活力。 为了助力求职者在面试中展现最佳状态&#xff0c;深入理解行业巨头的选拔标…

智能网联汽车:人工智能与汽车行业的深度融合

内容概要 在这个快速发展的时代&#xff0c;智能网联汽车已经不再是科幻电影的专利&#xff0c;它正在悄然走进我们的日常生活。如今&#xff0c;人工智能&#xff08;AI&#xff09;技术与汽车行业的结合犹如一场科技盛宴&#xff0c;让我们看到了未来出行的新方向。通过自动…

AI大模型重塑软件开发:从代码自动生成到智能测试

随着AI技术的不断发展&#xff0c;AI大模型在软件开发领域的应用日益广泛。从代码自动生成到智能测试&#xff0c;AI大模型正在深刻改变着软件开发的各个环节&#xff0c;重塑着整个开发流程。本文将探讨AI大模型的定义、应用场景、优势以及挑战&#xff0c;并展望未来的发展趋…

【基础】os模块

前言 1、os是operation system&#xff08;操作系统&#xff09;的缩写&#xff1b;os模块就是python对操作系统操作接口的封装。os模块提供了多数操作系统的功能接口函数。&#xff08;OS模块提供了与操作系统进行交互的函数&#xff09; 2、操作系统属于Python的标准实用程…

算法学习027 c++蛇形三角形填充 二维数组常规应用 中小学算法思维学习 比赛算法题解 信奥算法解析

目录 C蛇形三角形填充 一、题目要求 1、编程实现 2、输入输出 二、算法分析 三、程序编写 四、运行结果 五、考点分析 六、推荐资料 C蛇形三角形填充 一、题目要求 1、编程实现 输入一个正整数N&#xff0c;输出N行的蛇形数字三角形&#xff08;见输出样例&#xf…

[vulnhub]DC: 1

https://www.vulnhub.com/entry/dc-1,292/ 主机发现端口扫描 使用nmap扫描网段类存活主机 因为靶机是我最后添加的&#xff0c;所以靶机IP是156 nmap -sP 192.168.75.0/24 // Starting Nmap 7.93 ( https://nmap.org ) at 2024-09-28 12:48 CST Nmap scan rep…