标签: machine-learning

到目前为止,我知道深度学习是机器学习的一个子集.我知道一些算法,它的实现如KNN,Naive bayes等机器学习.是否有任何特定的算法来表示和实施深度学习？

成功地训练神经网络(例如简单的前馈/后向多层感知器)来解决多项选择(基于文本的)问题的可能性有多大 - 如果可能性很小 - 那么关于这个问题的更聪明的方法是什么(或者不去)问题？

以下是有关多项选择考试结构的更多信息:

• 5行文字
• 1/5答案(每行1-2行)是正确的

还有一些假设:

• 结果/反馈立即显示
• 培训数据超过5000个问题

让我们考虑以下问题.我们有一个包含大量数据的系统(大数据).所以,实际上我们有一个数据库.作为第一个要求,我们希望能够快速写入和读取数据库.我们还希望拥有一个到数据库的Web界面(以便不同的客户端可以远程写入和读取数据库).

但是我们想拥有的系统应该不仅仅是一个数据库.首先,我们希望能够对数据运行不同的数据分析算法,以查找规律性,相关性,异常性等(就像之前我们对性能的关注一样).其次,我们希望将机器学习机器绑定到数据库.这意味着我们希望在数据上运行机器学习算法,以便能够学习数据上存在的"关系",并基于此预测尚未存在于数据库中的条目的值.

最后,我们希望有一个基于点击的界面,可视化数据.这样用户就可以以漂亮的图形,图形和其他交互式可视化对象的形式看到数据.

什么是上述问题的标准和广泛认可的方法.必须使用哪些编程语言来处理所描述的问题？

我正在聊天机器人,机器人将与客户互动.我想构建一个智能的,类似AI的机器人.

我做了一点但我很感激有关改进的建议.

如果客户输入:

A) I want to know the cost of XXX car.
B) Send me the price of car XXX.
C) What is the cost of XXX car?
D) Specifications of XXX car

我如何建立一个机器人,以便它可以恢复这些答案？如果我匹配一个完整的句子,那么它将无法工作.

我的客户可以写任何东西,可以提问.请问,有人可以帮助确保机器人能够理解同一查询的不同用法吗？

提前致谢.

我已经练习了一些机器学习方面,并开发了一些小项目.如今一些嘈杂的博客,文章,公开帖子谈论深度学习.我很想知道机器学习和深度学习之间的区别,也许是学习一种称为深度学习的新方法/技术.我读过很少的博客,但从概念上讲,深度学习是机器学习的一个子集,它只不过是具有多层次的神经网络!然而,我感到惊讶和困惑,以确认它是机器学习和深度学习之间的唯一区别!如果我们只想谈论神经网络,那么考虑深度学习而不是机器学习的优点是什么？所以,如果是,为什么不称它为神经网络,或深度神经网络来区分某些分类？真的不同于我提到的吗？是否有任何实际例子显示出让我们做出这些不同观念的重大差异？

人工智能 (AI) 和机器学习 (ML) 之间究竟有什么区别。根据维基百科我发现：

人工智能

在计算机科学中，人工智能 (AI)，有时也称为机器智能，是由机器展示的智能，与人类和其他动物展示的自然智能形成对比。计算机科学将人工智能研究定义为对“智能代理”的研究：任何能够感知其环境并采取行动以最大限度地提高成功实现其目标的机会的设备。

机器学习

机器学习 (ML) 是对算法和统计模型的科学研究，计算机系统使用这些模型来逐步提高其在特定任务上的性能。机器学习算法构建样本数据的数学模型，称为“训练数据”，以便在没有明确编程来执行任务的情况下做出预测或决策。

但是，AI 不是也在创建数学模型来采取行动，以最大限度地提高成功实现其目标的机会。?

p=(-50:50)^2
y=c(p, 2500+10*(1:99), p+1000)
plot(seq_along(y), y+100*rnorm(length(y)))

假设我有一个像上面这样的数据集，其中只有数据的一个子集是线性的。像lm()R 中的简单线性回归不能智能地找出适合线性拟合的区域（在本例中为 100 到 200）。

如何找出数据的哪一部分是线性的并仅在这个数据集子集中执行拟合？欢迎使用 R 和 python 中的解决方案。

请注意，上面显示的日期只是一个示例，只要它包含线性部分，该方法就应该对任意数据集具有鲁棒性。当有多个线性部分时，还应显示那些多个线性部分。如果没有线性部分，它应该显示没有找到线性部分。

编辑：一般来说，统计方法可能不适合稳健地解决这个问题。我添加了计算机视觉和机器学习标签。也许这些领域中的方法通常更适合稳健地解决这个问题？