本书介绍
在处理机器学习问题时，通常有两种类型的数据(和机器学习模型)
监督数据:总是有一个或多个目标与之相关联。
无监督数据:没有任何目标变量。
有监督的问题比无监督的问题更容易解决。要求预测一个值的问题被称为监督问题。例如，如果问题是预测给定历史房价的房价，比如医院、学校或超市的存在，到最近的公共交通工具的距离等。是一个有监督的问题。类似地，当我们被提供猫和狗的图像，并且我们预先知道哪些是猫，哪些是狗，并且如果任务是创建预测所提供的图像是猫还是狗的模型，则该问题被认为是被监督的。
文末付本书最新版pdf免费下载地址。
如果目标是一个实数，这个问题被定义为一个回归问题。因此，监督问题可以分为两个子类:
分类:预测一个类别，例如狗或猫。
回归:预测一个值，例如房价。必须注意的是，有时我们可能在分类设置中使用回归，这取决于用于评估的指标。但我们稍后会谈到这一点。机器学习问题的另一种类型是无监督类型。无监督数据集没有相关的目标，一般来说，与有监督的问题相比，处理起来更具挑战性。假设你在一家处理信用卡交易的金融公司工作。每秒钟都有很多数据进来。唯一的问题是，很难找到将每笔交易标记为有效或真实交易或欺诈的人。当我们没有任何关于交易是欺诈还是真实的信息时，这个问题就变成了一个无人监管的问题。为了解决这些问题，我们必须考虑数据可以分成多少个簇。聚类是解决这类问题的方法之一，但必须注意的是，还有其他几种方法可以应用于无监督的问题。对于一个欺诈检测问题，我们可以说数据可以分为两类(欺诈或正版)。
本书目录
本书内容截图
本书免费pdf下载地址
微信公众号回复关键字“nml21”获取最新版下载地址。
扫描下方二维码可以订阅哦！
DeepLearning_NLP
深度学习与NLP
