機器學習的應用非常廣泛，更為驚人的是，相同演算法可完成不同的事情。在機器學習領域之外，如果你要解決兩個不同的問題，就得編寫兩個不同的程式。這些程式可能用到相同的基礎架構，如相同的程式語言或資料庫系統。但是，如果你想處理信用卡申請，諸如下棋的程式則毫無用處。在機器學習領域，如果提供適當的資料來讓機器學習，那麼相同的演算法既可以處理信用卡申請，也可以下棋。實際上，大量的機器學習應用僅僅由幾個演算法來負責，在接下來的幾個章節中我們會談到這些演算法。

例如，樸素貝葉斯演算法就是一個可以用短方程來表達的學習演算法。只要提供患者病歷的資料庫，包括病人的症狀、檢查結果，或者他們是否有什麼特殊情況，樸素貝葉斯演算法就可在一秒之內做出診斷，而且往往比那些花幾年在醫學院學習的醫生還要強，甚至它還可打敗花費數千小時構建的醫學專家系統。該演算法還可應用於學習垃圾郵件過濾器，乍一看，這和醫療診斷毫無關係。另外一個簡單的學習演算法就是最近鄰演算法，它的用途十分廣泛，從筆跡識別到控制機器人手，以及推薦你可能喜歡的書籍或者電影。決策樹學習演算法也同樣擅長決定你的信用卡申請是否應被透過、尋找DNA中的絞接點，以及下棋時指導下一步該怎麼走。

相同的學習演算法不僅可以完成無窮無盡且不同的事情，而且和被它們替代的傳統演算法相比，它們要簡單得多。多數學習演算法可能只需數百行或者數千行程式碼。相比之下，傳統程式則需幾十萬甚至上百萬行程式碼，並且單個學習演算法就可以匯出無數個不同的程式。

Loading...

未載入完，嘗試【重新整理】or【退出閱讀模式】or【關閉廣告遮蔽】。

嘗試更換【Firefox瀏覽器】or【Chrome谷歌瀏覽器】開啟多多收藏！

移動流量偶爾打不開，可以切換電信、聯通、Wifi。

收藏網址：www.peakbooks.cc

(＞人＜；)