什么是机器学习？
机器学习是一种自动构建分析模型的数据分析方法。这个过程帮助计算机从经验中学习，而无需进行明确编程。
机器学习算法使用计算方法直接从数据中“学习”信息。随着可用数据样本的增加，这些算法会提高其性能。
机器学习的主要类型
-
- 简单数据。
清晰的特征 - 经典学习
- 简单数据。
-
- 没有数据，但有一个可以交互的环境
- 强化学习
-
- 当质量成为真正问题时
- 集成学习
-
- 复杂数据。 特征不明确。 相信奇迹
- 神经网络和深度学习
机器学习的类型有哪些？
经典学习
在经典学习中，计算机接收一组数据和特征，系统分析并生成描述它们之间关系的算法。此算法可用于预测未来的数据集。
经典学习在处理简单数据时表现出色，并且成本较低。
强化学习
算法通过在交互环境中反复试探来解决问题，而不需要数据。系统面临一个游戏化情境——根据所执行的操作获得奖励或惩罚。
集成学习
集成学习结合多个算法以获得最优模型。它可以进行可靠的预测，同时无需深度学习所需的大量数据。
神经网络和深度学习
深度学习模拟人脑处理数据的方式，利用能够自主学习的神经网络。训练这些网络需要大量数据以及复杂的神经网络架构。
这些算法适用于非结构化数据，并且在某些情况下可以达到超过人类的准确度。
计算机视觉：
- 物体检测
- 面部识别、生物识别
- 视频中的物体跟踪，包括高动态环境下的物体跟踪：在足球比赛中多次超越公共基准测试
- 经典计算机视觉，图像处理
- 光学字符识别系统，包括手写文本识别
自然语言处理：
- 语义搜索
- 经典NLP任务：文本预处理、命名实体识别、分类、摘要
- 对话系统
- 自主开发的NLP库（语义搜索、聊天机器人）
机器学习基础设施：
- 神经网络模型优化
- NVIDIA TensorRT
- Onnx
- 用于加速模型响应的C++库
- 向量数据库：存储和搜索大量非结构化数据
