就目前而言，大家都聽說(shuō)過(guò)人工智能、物聯(lián)網(wǎng)以及大數(shù)據(jù)。當(dāng)然，人工智能的熱度最高。可以說(shuō)，我國(guó)當(dāng)下的人工智能發(fā)展是處于領(lǐng)先水平的。現(xiàn)如今，人工智能有很多的應(yīng)用早已在人們的生活中普及，那么大家是否知道機(jī)器學(xué)習(xí)的基本任務(wù)是什么呢？下面我們直接進(jìn)入正題。

1.機(jī)器學(xué)習(xí)的概念是什么？

對(duì)于機(jī)器學(xué)習(xí)的概念，百度上是這么解釋的，機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。

2.機(jī)器學(xué)習(xí)中的任務(wù)

當(dāng)然，機(jī)器學(xué)習(xí)基于數(shù)據(jù)，并以此獲取新知識(shí)、新技能。它的任務(wù)有很多，分類是其基本任務(wù)之一。分類就是將新數(shù)據(jù)劃分到合適的類別中，一般用于類別型的目標(biāo)特征，如果目標(biāo)特征為連續(xù)型，則往往采用回歸方法?；貧w是對(duì)新目標(biāo)特征進(jìn)行預(yù)測(cè)，是機(jī)器學(xué)習(xí)中使用非常廣泛的方法之一。

3.分類和回歸

機(jī)器學(xué)習(xí)中的分類和回歸，都是先根據(jù)標(biāo)簽值或目標(biāo)值建立模型或規(guī)則，然后利用這些帶有目標(biāo)值的數(shù)據(jù)形成的模型或規(guī)則，對(duì)新數(shù)據(jù)進(jìn)行識(shí)別或預(yù)測(cè)。這兩種方法都屬于監(jiān)督學(xué)習(xí)。與監(jiān)督學(xué)習(xí)相對(duì)是無(wú)監(jiān)督學(xué)習(xí)，無(wú)監(jiān)督學(xué)習(xí)不指定目標(biāo)值或預(yù)先無(wú)法知道目標(biāo)值，它可以將把相似或相近的數(shù)據(jù)劃分到相同的組里，聚類就是解決這一類問(wèn)題的方法之一。

4.機(jī)器學(xué)習(xí)的算法都有哪些呢？

機(jī)器學(xué)習(xí)除了監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)這兩種最常見的方法外，還有半監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等方法，這些基本任務(wù)間的關(guān)系就是機(jī)器學(xué)習(xí)包括監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，而監(jiān)督學(xué)習(xí)就是基于輸入數(shù)據(jù)及目標(biāo)值訓(xùn)練預(yù)測(cè)模型，而具體細(xì)分為分類和回歸，其中分類就是有決策樹、支持向量機(jī)、樸素貝葉斯、K-近鄰、集成方法等等，而回歸則是有線性回歸、邏輯回歸、集成方法、神經(jīng)網(wǎng)絡(luò)知識(shí)等等。而非監(jiān)督學(xué)習(xí)就是根據(jù)輸入數(shù)據(jù)對(duì)數(shù)據(jù)進(jìn)行分組，其中最具體的方式就是聚類，而涉及到的算法有K-均值算法，高斯混合算法、分層聚類算法等等。

通過(guò)這篇文章我們給大家介紹了關(guān)于機(jī)器學(xué)習(xí)基本任務(wù)的知識(shí)，從中我們不難發(fā)現(xiàn)機(jī)器學(xué)習(xí)有很多可供運(yùn)用和發(fā)展的東西，我們?cè)趯W(xué)習(xí)機(jī)器學(xué)習(xí)的時(shí)候一定要好好吸收這些知識(shí)的，讓自己的基礎(chǔ)更加牢固，能夠融會(huì)貫通。