传统作法是自己写算法自己分析,也希望能达到近似的功能具有一定容错和分析能力,该从哪里入手改变?
1
Kilerd 2016-01-23 20:25:16 +08:00
keywords: 神经网络 遗传算法
|
2
Mirana 2016-01-23 21:17:35 +08:00
通过数据修正模型
|
5
MickeyZMJ 2016-01-23 23:35:01 +08:00
学 Python
|
7
em70 2016-01-24 00:08:36 +08:00 via iPhone
贝叶斯算法就具有学习功能,一般用于反垃圾邮件,能主动识别未知垃圾邮件
|
8
billlee 2016-01-24 00:13:27 +08:00
概率论 -> 线性回归、 logistic 回归、 SVM, ANN
概率论 + 随机过程 -> 信息论 -> 决策树学习 线性代数 -> 聚类 学了某一个分支后就可以入坑了,然后就会发现数据预处理和特征提取也是另一个大坑 |
9
pangtianyu 2016-01-24 00:21:15 +08:00
@hunk 从 Caffe 入手吧
|
10
cgcs 2016-01-24 01:06:10 +08:00
看看机器学习的教科书吧
|
11
xyhs2010 2016-01-24 01:25:18 +08:00 via Android
机器学习主要的学习对象还是媒体数据,或者说能转成特征向量的。楼主先得看看你处理的那个问题适用不适用。
|
12
louk78 2016-01-24 09:48:25 +08:00
神经网络分类算法
|
13
udumbara 2016-01-24 11:08:32 +08:00 via Android
@billlee 赞同 数据的预处理和特征提取很大程度上限制了所谓的模型自学习能力,比如金融里面的评分卡制作,评分模型几乎很难自学习,因为很多特征的提取都是在利用 IV 值的基础上,靠做业务的人拍脑袋的
|
14
h4x3rotab 2016-01-25 08:54:53 +08:00 via iPhone
都不说具体是什么类型的问题就胡乱回答一通,不明白楼上这么多人是怎么想的。机器学习也要按照基本法啊,不是所有的问题都适合机器学习。要做比如文本分类,机器学习就是合适的,又比如排序就不适合用机器学习实现。
|