machinelearning,谁来通俗的解释一下机器学习

machinelearning，谁来通俗的解释一下机器学习？

其实想通俗的解释机器学习还是有难度的。 因为学习这个行业的人会感觉讲的不到位，但是外行的人可能还会觉得很不好理解。我从个人的理解来试着回答一下。

1. Pedro Domingos是美国华盛顿大学的教授，我以前在读书的时候都读过他的关于概率树算法的论文，他最近写了一本关于机器学习的科普书，就是为了让大众能够不通过公式来理解机器学习。 书的名字是《The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World》, 非常炫酷的名字，是人们关心的“终极学习机器”会如何改变我们的生活。

2. 跟网上的帖子一样，书中讲的多是机器学习的应用，并有什么新的发明。尤其是机器学习在各个领域的应用，极大的改变了人类的生活，让技术升级，我们做到了许多以前无法想象的水平。但是关于算法本身，的确是一个难点，在于对机器学习的深入理解要建立在数学的基础上。 我们假设您是懂得一些高等数学的。

3. 科学的主要目的就是建立数学模型来描述自然界的关系。这种关系可以用一个函数y=f(x)来描述。 给定了输入x, 我们通过关系f()就可以得到输出y. 但是自然很复杂，很多的时候，我们不知道这种关系是什么，但是我们有很多输入与输出的数据。就是： (x1, y1), (x2, y2) ... (xn, yn), 我们想利用这些数据来拟合出 x与y 之间的关系。 这就是机器学习想完成的基本任务。而且经常的情况下，输入x不是一个数，而是一个向量x , 我们想学习的关系是 y =f(x). 比如下图里面提到房子的价格跟面积的关系，可以近似用一个线性函数（红色实线）解释 （图一）。

（图一）

(4) 有了这个基本思路，就可以理解很多机器学习（分类与预测）都是想找到这种输入与输出在高维空间的关系。比如说我们想做手写数字的识别，假设每张输入的图像是30*30个像素点（图二）。 那么这样的一个输入我们可以看成是一个30*30 = 900维的一个向量x, 我们需要学习的关系是 y = f(x), 其中y 属于{0，1， 2， 3..... 9} 等是个数字。 这样我们就把一个模式识别的问题编程了一个纯粹的数学问题。 我们需要的是在高维空间中把这些数字分开 （图三）。

（图二）

（图三）

nlp算法工程师需要学哪些？

需要学以下工作

1、机器学习算法：LR、SVM、DT、BOOST、K-MEANS、crf

2、深度学习算法：cnn、rnn、lstm、attention、transformer、gpt、bert

3、词向量的表达方式：one-hot、词袋、w2v、fasttext、glove、elmo

4、序列问题：分词、词性标注、命名实体识别、依存句法分析

5、其他：基于机器学习的预处理、基于深度学习的端到端、关键词提取、停止词

6、知识图谱

训练及特点？

机器学习比较机械化，训练需多样化、长期性。

ai算法工程师要学什么？

AI算法工程师需要学习的内容包括数学、计算机科学、统计学、机器学习、深度学习，以及计算机图形学等内容；同时理解AI算法的基本原理，具备实现AI算法及其系统设计开发的能力，并懂得如何使用大数据、网络环境等技术来有效应用AI算法。

评判深度学习的三个层面是什么？

1.评判深度学习的三个层面是表示能力、泛化能力和优化能力。

2. a. 表示能力，指深度学习模型能够表达的不同的函数形式，或者说是模型的逼近能力，能否很好地拟合训练数据。

b. 泛化能力，是指深度学习模型对于测试样本的预测能力，即模型是否能够对未见过的数据进行准确的预测并保持误差较小的范围内。

c. 优化能力，指深度学习模型训练的过程，需要使用优化算法来调整参数，例如随机梯度下降算法和动量法等，是指模型训练的效率和性能问题。

3. 这三个层面是深度学习模型需要具备的关键能力，其中表达能力往往是各个深度学习模型的基础，泛化能力和优化能力则是实现高性能深度学习模型不可或缺的两个关键环节。