今天，小編將在這篇文章中為大家?guī)?a href="/tags/機器學習" target="_blank">機器學習的有關報道，通過閱讀這篇文章，大家可以對機器學習具備清晰的認識，主要內(nèi)容如下。

一、機器學習關鍵概念

1.特征選擇與工程

優(yōu)化機器學習模型的重要一步是優(yōu)化。 我們開發(fā)的模型需要以最佳狀態(tài)執(zhí)行，而要確保做到這一點的一種方法是使用最佳功能來訓練模型。

包括每個特征并不總是有用的。 有些特征可能與我們嘗試預測的變量沒有有意義的統(tǒng)計關系，而另一些特征可能彼此緊密相關。 這兩種情況都將噪聲引入訓練階段，這可能會降低模型性能。 特征選擇是選擇最佳特征以包含在訓練階段中的過程。

同樣，原始形式的特征可能無法提供足夠的有意義的數(shù)據(jù)來訓練性能模型。 另外，某些特征根本不能以其原始形式使用，一個很好的例子就是基于日期/時間的功能。 機器學習模型不能使用日期或時間戳作為特征，我們需要首先從日期中導出有意義的特征，才能包含此信息。 我們可以使用整數(shù)形式的日期部分(例如月，日或星期數(shù))，或計算兩個日期之間的差，以提供算法可以理解的模式。 這就是所謂的特征工程。

2.訓練

監(jiān)督式機器學習需要標記數(shù)據(jù)，因為算法使用這些示例特征值及其對應的標記來"學習"模式，如果成功，則將使模型能夠準確地預測新的未標記數(shù)據(jù)上的標記。

在機器學習過程中，學習的這一階段稱為訓練階段。 在此階段結束時，您將擁有一個可用于預測新的未標記數(shù)據(jù)的標簽或值的模型。 訓練階段通常稱為擬合模型。

3.調(diào)參

在以前的文章中，介紹功能選擇時，我曾討論過一個優(yōu)化過程。此過程的另一部分稱為調(diào)參，涉及優(yōu)化算法參數(shù)以找到適合您特定數(shù)據(jù)集的最佳組合。

所有機器學習模型都包含具有多種選項的參數(shù)。 例如，隨機森林模型具有許多可調(diào)參數(shù)。 一個示例是n_estimators，它確定森林中樹木的數(shù)量。 通常，樹的數(shù)量越多，結果越好，但是在特定點(并且這取決于數(shù)據(jù)集)，隨著您添加更多的樹，改進會降低。 為您的數(shù)據(jù)集找到最佳樹數(shù)是一種調(diào)整隨機森林算法參數(shù)的方法。

每種算法都有許多可調(diào)參數(shù)，并且每個參數(shù)都有大量潛在的選項。 幸運的是，有自動方法可以找到這些參數(shù)的最佳組合，這就是所謂的超參數(shù)優(yōu)化。

二、邊云協(xié)同機器學習面臨什么挑戰(zhàn)

目前邊云協(xié)同機器學習的經(jīng)典模式是：在云上給定一個數(shù)據(jù)集運行機器學習算法構建一個模型，然后將這個模型不作更改應用在多個邊側的多次推理任務上。這種學習范式稱為封閉學習(也稱孤立學習)，因為它并未考慮其他情景學習到的知識和過去學習到的歷史知識。雖然邊云協(xié)同機器學習技術的相關研究和應用都有著顯著的進展，然而在成本、性能、安全方面仍有諸多挑戰(zhàn)：數(shù)據(jù)孤島/小樣本/數(shù)據(jù)異構/資源受限。

在邊緣云背景下：(1)不同邊側數(shù)據(jù)分布總是不斷變化，(2)而邊側標注樣本也往往由于成本較高導致數(shù)量稀少。因而封閉學習需不停標注樣本并重新訓練，這顯然給服務落地帶來巨大挑戰(zhàn)。這種數(shù)據(jù)分布和數(shù)據(jù)量上的挑戰(zhàn)分配稱為數(shù)據(jù)異構和小樣本，屬于邊云協(xié)同機器學習的四大挑戰(zhàn)。

當前的封閉學習范式可被用于提供數(shù)據(jù)同構和大數(shù)據(jù)的服務，但難以處理數(shù)據(jù)異構和小樣本的問題，所以并不合適用于建立通用的機器學習系統(tǒng)。伊利諾伊大學芝加哥分校的劉兵教授也在Frontiers of Computer Science中總結，封閉學習范式一系列局限性的根本在于沒有記憶，這導致它通常需要大量的訓練樣本。

對應的范式改進可以從人類的學習過程中得到啟發(fā)?？梢钥吹?，人類之所以能夠越學越聰明，是由于每個人并非自我封閉地學習，而是不斷地積累過去學習的知識，并利用其他人的知識，學習更多知識。借鑒人類這種學習機制，終身學習結合邊云協(xié)同可以發(fā)展出邊云協(xié)同終身學習。

以上所有內(nèi)容便是小編此次為大家?guī)淼挠嘘P機器學習的所有介紹，如果你想了解更多有關它的內(nèi)容，不妨在我們網(wǎng)站或者百度、google進行探索哦。