机器学习的例子.docx

机器学习的例子

第一篇：机器学习的例子身边的机器学习相信身边很多人都曾经被漫长的红绿灯等待时间所困扰。不管是对于行人还是开车的司机，要么就是等红灯的时间太长以至于大家开始失去耐心，选择直接横穿马路；要么就是绿灯切换的时间太短，如果不一路小跑着过马路的话就会被迫面对湍急的车流，将自己置于危险之中。而事实上，设定灯的切换时长这项工作如果交给懂得分析数据、高效建模的计算机来完成效果可能会更好。在许多欧美国家都在进行类似的实验，收效显著：通过建设一个监督学习的算法，将车流量、人流量设定为要被监测的目标数据，并以密度或是车、人的数量、来源等数据用这些直观的形式统计起来。经过汇总之后，一方面对可以车流量、人流量的高峰时间进行统计；另一方面可以总结归纳出现这些高峰的地点以及流量来源。有了这些数据，计算机就可以迅速建立起一个相应的模型来执行对拥堵行车的疏导，提升道路运输的效率。在一次观测中研究人员发现，在马路上大量的大型堵塞事件中，有很大一部分都只是车流靠前位置的一名新手的一次无心的刹车。即使每次刹车带给下一辆车的司机的反应时间都只有1～2秒，但在漫长的车队中不断累积最终就会形成天文数学。如果可以通过机器学习的方式对上下班高峰期车流量的规律进行总结并加以利用，在市政管理上改变红绿灯切换的时间长度来对马路上的汽车进行分流，从而避免大量的汽车拥堵在路口处，就可以缓解这一问题。在日常生活中，行人横穿马路酿成惨剧的案例已经屡见不鲜。很多人都会因为人行道的红绿灯等待时间过长而选择直接横穿马路，给自己和他人带来危险。既然马路上的红绿灯调整可以交给计算机，人行道红绿灯切换时间的调整计算机同样可以胜任。如果有关部门可以将机器学习技术引入公共交通管理系统，通过更加智能的方式对时长进行调整，在车辆没那么多的时候或者是类似步行街的人流量巨大的场所，结合马路上的车辆通行情况对人行道上红绿灯的切换时间进行动态的调整来缩短人们等候的时间，相信可以大大减少这类事件发生的几率。调整红绿灯切换时间只是一件小事，不过这也从侧面证明了机器学习可以被运用的范围之广阔以及相关行业的蓬勃发展势头。机器学习还有很多可以应用的场景，需要我们不断发掘、利用。第二篇：机器学习报告机器学习总结报告刘皓冰大部分人错误地以为机器学习是计算机像人一样去学习。事实上，计算机是死的，怎么可能像人类一样“学习”呢，机器学习依靠的是数学，更确切地说是靠统计。如果我们让计算机工作，是给它一串指令，然后计算机会遵照这个指令一步步执行下去，有因有果，非常明确。但这种方式在机器学习中是行不通的。机器学习是不会接受你输入的指令的，它接受的是你输入的数据。也就是说，机器学习是一种让计算机利用数据而不是指令来进行各种工作的方法。这听起来非常不可思议，但结果上却是非常可行的。“统计”思想将在你学习“机器学习”相关理念时无时无刻不伴随，相关而不是因果的概念将是支撑机器学习能够工作的核心概念。依据数据所做的判断跟机器学习的思想根本上是一致的。机器学习方法是计算机利用已有的数据(输入)，得出了某种模型，并利用此模型预测未来(输出)的一种方法。从数据中学得模型的过程称为“学习”（learning）或“训练”（training），这个过程通过执行某个学习算法来完成。训练过程中使用的数据成为“训练数据”（trainingdata），其中每个样本称为一个“训练样本”（trainingsample），训练样本组成的集合称为“训练集“（trainingset）。学得模型对应了关于数据的某种潜在的规律，因此亦称”假设“（hypothesis）；这种潜在规律自身，则称为”真相“或”真实“（ground-truth），学习过程就是为了找出或逼近真相。模型有时也被称为”学习器“（learner），可看作学习算法在给定数据和参数空间上的实例化。若欲预测的是离散值则此类学习任务被称为“分类”；若欲预测的是连续值则此类学习任务称为“回归”；对只涉及两个类别的“二分类”任务，通常称其中一个类为“正类”，另一个类为“反类”；涉及多个类别时，则称为“多分类”任务。模型是否准确依赖与数据。如果我的数据越多，我的模型就越能够考虑到越多的情况，由此对于新情况的预测效果可能就越好。这是机器学习界“数据为王”思想的一个体现。一般来说(不是绝对)，数据越多，最后机器学习生成的模型预测的效果越好。机器学习里面有非常多的经典算法，每种算法都能形成一个模型。下面在简要介绍一下机器学习中的经典代表方法。重点介绍的是这些方法内涵的思想。1、回归算法在大部分机器学习课程中，回归算法都是介绍的第一个算法。原因有两个：一.回归算法比较简单，介绍它可以让人平滑地从统计学迁移到机器学习中。二.回归算法是后面若干强大算法的基石，如果不理解回归算法，无法学习那些强大的算法。回归算法有两个重要的子