了解机器学习算人工智能的核心

机器学习和深度学习是众所周知和熟悉的术语，但尽管它们很出名，但它们也被广泛误解。在这里，我们退后一步，看看机器学习和深度学习的基础知识，看看一些最常见的机器学习算法。我们还解释了这些算法如何与从历史数据创建预测模型的其他难题相关。

什么是机器学习算法？
机器学习是一种从数据自动创建模型的方法，机器学习算法是驱动机器学习的引擎。换句话说，它是一种将数据集转化为模型的算法。哪种算法（有监督、无监督、分类或回归）最有效取决于所解决问题的类型、可用的计算资源以及数据的性质。

典型的编程算法以简单的方式告诉计算机要做什么

例如，排序算法将未排序的数据转换为根据特定标准（例如数据中一个或多个字段的数字或字母顺序）排序的数据。

线性回归算法将直线或具日本电话号码数据有线性参数（例如多项式）的其他函数与数值数据拟合。常用的方法是执行矩阵求逆，以最小化直线和数据之间的平方误差。我们使用平方误差作为度量的原因是因为回归线是高于还是低于数据点并不重要。重要的是线和点之间的距离。

拟合参数与数据非线性的曲线的非线性回归算法稍微复杂一些。这是因为，与线性回归问题不同，它无法使用确定性方法来解决。相反，非线性回归算法实现某种迭代最小化过程，通常是最速下降法的变体。

快速下降基本上计算当前参数值处的平方误差及其梯度，选择一个步长，即学习率，遵循梯度方向“向下”，然后计算新参数值处的平方误差及其梯度。再次计算。如果幸运的话，这个过程最终会收敛。快速下降有多种变体，旨在提高其收敛特性。

机器学习算法比非线性回归更复杂原因之一是机器学习不限

于拟合多项式等欧洲邮件特定数学函数。机器学习解决的两类代表性问题是回归和分类。回归用于数值数据，分类用于非数值数据。前者是一个有特定地址和职业的人的预期收入是多少的问题，后者是一个贷款申请人是否不会偿还这笔贷款的问题。预测问题（“明天微软股票的开盘价是多少？”）是时间序列数据回归问题的一个子集。分类问题也可以分为二类（是/否）或多类问题（动物、蔬菜或矿物）。