- PyTorch 教程
- PyTorch - 首页
- PyTorch - 简介
- PyTorch - 安装
- 神经网络的数学基础
- PyTorch - 神经网络基础
- 机器学习通用工作流程
- 机器学习与深度学习
- 实现第一个神经网络
- 神经网络到功能模块
- PyTorch - 术语
- PyTorch - 加载数据
- PyTorch - 线性回归
- PyTorch - 卷积神经网络
- PyTorch - 循环神经网络
- PyTorch - 数据集
- PyTorch - 卷积网络简介
- 从头开始训练卷积网络
- PyTorch - 卷积网络中的特征提取
- PyTorch - 卷积网络的可视化
- 使用卷积网络进行序列处理
- PyTorch - 词嵌入
- PyTorch - 递归神经网络
- PyTorch 有用资源
- PyTorch - 快速指南
- PyTorch - 有用资源
- PyTorch - 讨论
机器学习通用工作流程
如今,人工智能在很大程度上成为了一种趋势。机器学习和深度学习构成了人工智能。下面提到的韦恩图解释了机器学习和深度学习之间的关系。
机器学习
机器学习是一门允许计算机根据设计和编程算法进行操作的科学艺术。许多研究人员认为机器学习是朝着人类水平人工智能取得进展的最佳途径。它包括各种类型的模式,例如 -
- 监督学习模式
- 无监督学习模式
深度学习
深度学习是机器学习的一个子领域,其中相关算法受到称为人工神经网络的大脑结构和功能的启发。
深度学习通过监督学习或从标记数据和算法中学习获得了很大的重要性。深度学习中的每个算法都经历相同的过程。它包括输入的非线性转换层次结构,并用于创建作为输出的统计模型。
机器学习过程使用以下步骤定义 -
- 识别相关数据集并将其准备进行分析。
- 选择要使用的算法类型。
- 基于所使用的算法构建分析模型。
- 在测试数据集上训练模型,并在需要时对其进行修改。
- 运行模型以生成测试分数。
广告