关于机器学习的相关分析介绍

机器学习是一种数据分析技术，让计算机学习人类和动物与生俱来的能力：从经验中学习。 机器学习算法使用计算方法直接从数据中“学习”信息，而不依赖于预定方程作为模型。 随着可用于学习的样本数量的增加，算法也会相应地提高性能。

了解机器学习，从这三个问题开始：

为什么机器学习很重要？

随着大数据的兴起，机器学习已经成为解决很多领域问题的关键技术，例如：

计算金融，用于信用评分和算法交易

图像处理和计算机视觉，用于人脸识别，运动检测和物体检测

计算生物学，用于肿瘤检测，药物发现和DNA测序

能源生产，用于价格和负荷预测

汽车，航空和制造，用于预测性维护

自然语言处理，用于语音识别应用

更多数据，更多问题，更好的解决方案。机器学习算法在数据中发现自然模式，从而产生洞察力，并帮助您做出更好的决策和预测。 在医学诊断，股票交易，能量负荷预测等领域，每天都会使用机器学习算法做出重要决定。 例如，媒体网站依靠机器学习来筛选数百万个选项，为您提供歌曲或电影推荐。 零售商利用它来了解客户的采购行为。

什么情况下使用机器学习？

当您有一个复杂的任务或涉及大量数据和大量变量的问题，但没有现有的公式或方程式时，需要考虑使用机器学习。 例如处理以下情况，机器学习是一个很好的选择：

面部识别和语音识别 ——

手写规则和方程式太复杂

交易记录的欺诈检测 ——

任务的规则不断变化

自动化交易和需求预测 ——

数据的性质不断变化，程序需要适应

如何实现机器学习？

机器学习包括两种学习方式：

监督式学习，通过训练已知输入和输出数据的模型，来预测未来的输出

无监督学习，在输入数据中发现隐藏的模式或内在结构

聚类 Clustering

查找数据中的自然分组和模式。在未标记的数据上使用聚类来查找自然分组和模式。聚类应用包括模式挖掘、医学成像和对象识别。

分类 Classification

构建模型将数据划分到不同的类别。这有助于更准确地分析和可视化您的数据。可以为信用评分、肿瘤检测、人脸识别等应用使用分类。

回归 Regression

构建模型来预测连续数据。有了此信息，您可以对未来的数据点进行预测。

MATLAB 机器学习

应用机器学习处理大数据的工具和应用程序中，MATLAB 是一个理想的数据分析环境。使用 MATLAB，您可以立即访问预置的函数、大量的工具箱以及用于分类、回归和聚类的专门应用程序。MATLAB 可以实现：

比较各种方法，例如逻辑回归、分类树、支持向量机、集成方法和深度学习

使用模型优化和缩减技术创建能够最好地捕捉数据预测能力的精确模型

将机器学习模型集成到企业系统、集群和云中，并且将模型输出到实时嵌入式硬件

通过自动生成代码对嵌入式传感器进行分析

支持从数据分析到实现的系统流程

《MATLAB 机器学习》电子书

逐步学习从基础到高级的技术和算法