python计算标准化降水指数，什么是机器学习？-产品设计-韩韩H5开发

小伙伴想知道python计算标准化降水指数的话题，关于什么是机器学习？这类相关题，小编为你详细的解一下吧！

本文目录

1、什么是机器学习？
2、如何分析ndvi数据？

一、什么是机器学习？

许多人将机器学习视为通往人工智能的道路，但对于统计学家或商人来说，机器学习也可以是一个强大的工具，可以实现前所未有的预测结果。

为什么机器学习如此重要-

在开始学习之前，我们想花一些时间强调为什么机器学习非常重要。

总而言之，每个人都知道人工智能或人工智能。通常，当我们听到人工智能时，我们会想象机器人四处走动，执行与人类相同的任务。然而，我们必须明白，有些任务很容易，有些任务却很困难，我们距离拥有类人机器人还有很长的路要走。

然而，机器学习是非常真实的并且已经存在。它可以被认为是人工智能的一部分，因为当我们想到人工智能时，我们的想象大部分都是基于机器学习。

过去，我们相信未来的这些机器人需要向我们学习一切。但人脑是复杂的，并不是它协调的所有动作和活动都可以轻松描述。1959年，ArthurSamuel提出了一个绝妙的想法我们不需要教计算机，但我们应该让它们自己学习。塞缪尔还创造了“机器学习”这个术语，从那时起，当我们谈论机器学习过程时，我们指的是计算机自行学习的能力。

机器学习有哪些应用——

在准备本文内容时，我编写了示例，没有进一步解释，假设每个人都熟悉它们。然后我想人们知道这些是机器学习的例子吗？

让我们考虑一些。

自然语言处理，例如翻译。如果您认为百度翻译是一本非常好的词典，请再想一想。百度翻译本质上是一套机器学习算法。百度不需要更新百度翻译；它根据不同的单词用法自动更新。

哦哇还有什么-

说到这里，Siri、Alexa、Cortana都是语音识别和合成的例子。有些技术可以让这些助手识别或发音他们以前从未听过的单词。他们现在能做到的事情令人难以置信，但在不久的将来，他们将会令人印象深刻！

垃圾邮件过滤。令人印象深刻，但值得注意的是，SPAM不再遵循一组规则。它会自行了解什么是垃圾邮件，什么不是垃圾邮件。

推荐系统。Netflix、淘宝、Facebook。向您推荐的所有内容均基于您的搜索活动、喜欢、之前的行为等。一个人不可能像这些网站那样提出适合您的建议。最重要的是，他们可以跨、设备和应用程序执行此操作。尽管有些人认为这是侵入性的，但数据通常不是由人类处理的。通常，它是如此复杂，以至于人类无法理解它。但机器可以将卖家与买家、电影与潜在观众、照片与想要观看的人进行匹配。这极大地改善了我们的生活。

说到这里，淘宝拥有非常出色的机器学习算法，可以高度确定地预测你将购买什么以及何时购买。那么，他们如何处理这些信息-他们将产品运送到最近的仓库，以便您可以订购并在同一天收到它。极好的！

金融机器学习

我们名单上的下一个是金融交易。交易涉及随机行为、不断变化的数据以及从政治到正义的各种因素，这些因素与传统金融相去甚远。尽管金融家无法预测这种行为的大部分，但机器学习算法可以比人们想象的更快地处理这种情况并对市场变化做出反应。

这些是业务实现，但还有更多。您可以预测员工是否会留下或离开您的公司，或者您可以确定客户是否值得您的业务-他们可能会从竞争对手那里购买商品，也可能根本不购买。您可以优化流程、预测销售并发现隐藏的机会。机器学习开辟了一个充满机遇的全新世界，对于从事企业战略工作的人们来说，这是梦想成真。

反正这些都已经用在这里了。然后我们将进入自动驾驶汽车的下一个领域。

机器学习算法

直到最近几年，无人驾驶汽车还只是科幻小说。好吧，不再是了。自动驾驶汽车已经行驶了数百万甚至数十亿英里。这是如何发生的——没有一套规则。相反，它是一组机器学习算法，可以让汽车学习如何极其安全和高效地驾驶。

我们可以持续几个小时，但我相信你的要点是“为什么使用机器学习”。

所以对你来说，这不是为什么的题，而是如何的题。

这就是我们的Python机器学习课程要解决的题。蓬勃发展的数据科学职业最重要的技能之一-如何创建机器学习算法！

如何创建机器学习算法-

假设我们已经获得了输入数据，创建机器学习算法最终意味着构建一个输出正确信息的模型。

现在，将此模型视为黑匣子。我们提供输入，我们提供输出。例如，给定过去几天的天气信息，我们可能想要创建一个模型来预测明天的天气。我们将输入模型的输入可以是温度、湿度和降水等测量值。我们将得到的输出将是明天的天气预报。

现在，在我们对模型的输出感到满意和自信之前，我们必须训练模型。训练是机器学习的核心概念，因为它是模型学习如何理解输入数据的过程。训练模型后，我们可以简单地向其提供数据并获得输出。

如何训练机器学习算法-

训练算法背后的基本逻辑涉及四个要素

数据

B型

c-目标函数

d-优化算法

让我们逐一探讨。

首先，我们要准备一定量的数据进行训练。

通常，这是容易获得的历史数据。

其次，我们需要一个模型。

我们可以训练的最简单的模型是线性模型。在天气预报示例中，这意味着找到一些系数，将每个变量乘以它们，然后将所有结果相加以获得输出。然而，正如我们稍后将看到的，线性模型只是冰山一角。依靠线性模型，深度机器学习使我们能够创建复杂的非线性模型。它们通常比简单的线性关系更适合数据。

第三个要素是目标函数。

到目前为止，我们获取了数据，将其输入模型并获得了输出。当然，我们希望这个输出尽可能接近现实。大数据分析机器学习人工智能初学者指南这就是目标函数的用武之地。它平均估计模型输出的正确性。整个机器学习框架归根结底就是优化这个特性。例如，如果我们的函数正在测量模型的预测误差，我们希望最小化该误差，或者换句话说，最小化目标函数。

我们的最后一个元素是优化算法。它由我们可以更改模型参数以优化目标函数的机制组成。例如，如果我们的天气预报模型是

明天的天气等于W1乘以温度，W2乘以湿度，优化算法可能会经过以下值

W1和W2是将要更改的参数。对于每组参数，我们将计算目标函数。然后我们将选择具有最高预测能力的模型。我们如何知道哪一个是最好的-嗯，那将是具有目标函数的一个，不是吗-好的。大的！

您是否注意到我们说的是四个成分而不是四个步骤-这是故意的，因为机器学习过程是迭代的。我们将数据输入模型并通过目标函数比较准确性。然后我们更改模型的参数并重复。当我们达到无法再优化或需要优化的地步时，我们会停下来，因为我们已经找到了足够好的题解决方案。