机器学习

在机器学习的有监督学习算法中，我们的目标是学习出一个稳定的且在各个方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个有偏好的模型（弱监督模型，在某些方面表现的比较好）。集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型......

线性回归可以说是机器学习中最基本的问题类型了，这里就对线性回归的原理和算法做一个小结。

机器学习工程师和研究员之间的主要差别（包括薪资）有哪些？本文就机器学习工程师和研究员之间的主要差别进行了详细分析，主要包括薪资期望、工作量、可交付成果，以及其他关键差别的信息。

你是否知道到2024年，全球机器学习市场预计将达到306亿美元？这种惊人的增长是人工智能和趋势分支——机器学习的发展而来的。

常见的机器学习问题包括监督学习、分类、回归等问题，机器学习算法种类繁多，如何根据实际问题选择合适的机器学习算法就显得尤为重要，下面从三个方面考虑，分别为数据层面，问题层面，约束条件层面。最后介绍常用几种常用的机器学习算法。

C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。

对于很多算法工程师来说，超参数调优是件非常头疼的事，这项工作比较玄学。除了根据经验设定所谓的“合理值”之外，一般很难找到合理的方法去寻找超参数的最优值。而与此同时，超参数对于模型效果的影响又至关重要。那么有没有一些可行的办法进行超参数调优呢？

一个参数机器学习算法是什么，与非参的机器学习算法又有什么不同呢？在这篇文章中，你会发现参数和非参数机器学习算法之间的区别。

在machine learning中，特征降维和特征选择是两个常见的概念，在应用machine learning来解决问题的论文中经常会出现。

我们都知道，在进行数据挖掘或者机器学习模型建立的时候，因为在统计学习中，假设数据满足独立同分布，即当前已产生的数据可以对未来的数据进行推测与模拟，因此都是使用历史数据建立模型，即使用已经产生的数据去训练，然后使用该模型去拟合未来的数据。