机器学习入门

随着人工智能的发展，作为人工智能中的一个基础且重要的分支——机器学习也是愈发吸引大家来了解以及学习，那么在学习机器学习前，我们需要先来了解一下什么是机器学习，以及机器学习中涉及了哪些内容。

机器学习笔记

学习机器学习必备的一些基础知识，入门必看，参考教材＋自己理解所写，包括专业术语，分类，基本策略等。

学习机器学习前必备知识体系，比较全面，该系列课程笔记会一直更新。本文包括机器学习里涉及到的基本概念，环境的安装，Matplotlib,numpy,pandas的讲解。

对机器学习研究内容陌生的同学可以看过来

文章目录概述一、机器学习分类1. 主要任务2. 分类方式3. 监督学习3.无监督学习总结 概述 机器学习(Machine Learning, ML) 是使用计算机来彰显数据背后的真实含义，目的是把数据转换成有用的信息。机器学习是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。 一、机器学习分类 1. 主要任务

训练数据：用于训练，构建模型 测试数据：在模型检验时使用，用于评估模型是否有效

机器学习线性回归

随着包装成为消费品关键的差异化因素，对智能设计、可持续性和高性能的要求比以往任何时候都更高。为了满足这些复杂的期望，公司越来越多地采用先进的仿真方法，而现在人工智能 (AI) 和机器学习 (ML) 又极大地增强了这些方法。本文探讨了人工智能和机器学习如何彻底改变包装仿真、它们带来的实质性好处，以及正在改变这一领域的前沿工具。通过提供优化设计、自动化复杂任务和加速开发周期的强大能力，这些技术正在为全球范围内更智能、更快速、更可持续的包装解决方案铺平道路。基于 AI 的工作流程。

PyTorch 是由 Facebook AI Research (FAIR) 开发的开源机器学习框架，2016 年首次发布。动态计算图GPU 加速张量计算自动微分系统丰富的神经网络模块与 TensorFlow 的静态图相比，PyTorch 的动态图机制更符合 Python 编程习惯，使其在学术研究中迅速流行（2022 年论文采用率达 70%+）。

（2）归纳学习虽然是人们常用的一种学习方法，但由于它在学习中不使用领域知识分析、判断实例的属性，而仅仅通过实例间的比较来提取共性，这就无法保证推理的正确性，而基于解释的学习因在其学习过程中运用领域知识对提供给系统的实例进行分析，这就避免了类似问题的发生。： 设领域理论为 T（一组逻辑规则或知识库），训练实例为 (x, y)，其中 x 是实例描述，y 是目标概念（如“可堆叠”“安全状态”）。解释构造的时间复杂度与领域理论的规模和规则复杂度相关，对于一阶逻辑理论，解释构造是NP难的。

上面的这个例子是做完Softmax之后再加mask，这打破了Softmax创建的概率分布，因此需要重新归一化使得每一行的和重新为1。跟标准的self-attention考虑输入序列的全部单词不同，causal attention只允许考虑当前单词之前的单词(即屏蔽当前单词未来的单词)。方法，这个方法不是必须的，但是使用它的好处是：buffers会自动移到模型使用的device上(CPU或GPU)，这样我们就不必手动去确保和模型的device一致，避免了device不一致的错误。是用来防止模型过拟合，