機器學習通過從數據里提取規則或模式來把數據轉換成信息。主要的方法有歸納學習法和分析學習法。數據首先被預處理，形成特征，然后根據特征創建某種模型。機器學習算法分析收集到的數據，分配權重、閾值和其他參數達到學習目的。如果只想把數據分成不同的類，那么“聚類”算法就夠了；如果需要預測，則需要一個“分類”算法。OpenCV庫里面包含的是基于概率統計的機器學習方法，貝葉斯網絡、馬爾科夫隨機場、圖模型等較新的算法還在成長過程中，所以OpenCV還沒有收錄。
2 回答
寶慕林4294392
TA貢獻2021條經驗 獲得超8個贊
機器學習的算法有很多很多：1、Mahalanobis 2、K-means 非監督的聚類方法3、樸素貝葉斯分類器 特征是高斯分布&&統計上相互獨立 條件比較苛刻4、決策數 判別分類器，根據閾值分類數據，速度快。ID3，C4.5 5、Boosting 多個判別子分類器的組合6、隨機森林 由多個決策樹組成7、人臉檢測/Haar分類器 使用Boosting算法8、期望最大化EM 用于聚類的非監督生成算法 9、K-近鄰 最簡單的分類器10、神經網絡（多層感知器） 訓練分類器很慢，但是識別很快11、支持向量機 SVM 可以分類，也可以回歸。通過分類超平面實現在高維空間里的最優分類 12、遺傳算法 借鑒生物遺傳機制 ，隨機化非線性計算算法總之呢，個人覺得，機器學習、數據挖掘、模式識別、專家系統等方向和領域目前還是一種比較混亂的局面。學術界和商業界可能是不同的，關于算法的理論研究和使用這些方法生成商品是分別關注的。按照不同的領域、不同的方法可以劃分出眾多的分支。但是有一點是肯定的，這些在上世紀80年代提出來的公式和證明，如今正在變成一行行的代碼，在一些貓（tomcat）、IIS等服務器的支持下，爬上了網絡，到處尋覓對主人有用的信息，然后運送到網絡中，最終生成產品，或者半產品?？纯茨汶娔X上的那根網線，它那么小，但是很難想象它從你的電腦上拿走了什么，又給你送來了什么。有些遠了，繼續說數據這些事。目前我接觸過的算法有：（太多了，一時間真不好說出來） 神經網絡（感知器、BP、RBF等很多的算法），遺傳算法，支持向量機，層次分析法，各種回歸，灰色系統（國產的方法，用于不確定知識的預測），粗糙集，貝葉斯網絡，時間序列分析（也有很多）。學習和研究紙面的算法公式只是第一步，不可以忽略的基礎，如何使用這些方法，在浩瀚的互聯網上找到自己需要的、滿足客戶需要的數據和信息，從而讓需要的人能夠更加方便地得到，是今后的重頭戲了。貌似很多的企業已經進軍數據倉庫這一塊，并嘗到了巨大的甜頭，也有企業養著一隊預備軍，專注研發，隨時準備奔赴前線，占領市場。無線網絡市場的競爭已經到了激烈的局面，普適計算的時代也快到了吧。它依賴于硬件產品的可穿戴，和軟件產品的內嵌、快速響應?？偠灾?，越來越人性化，誰都不愿意抱著筆記本電腦蹲廁所，是吧？
- 2 回答
- 0 關注
- 905 瀏覽
添加回答
舉報
0/150
提交
取消