针对团队作业要求学习
遗传算法:一类借鉴生物界自然选择和自然遗传机制的随机搜索算法,非常适用于处理传统搜索方法难以解决复杂和非线性优化问题。
基本思想:模拟自然界的繁殖,交叉,基因突变的现象,在每次迭代中保留一组候选解,并按某种指标从解群中选取较优的个体,利用遗传算子对个体进行组合,产生新的候选解群,重复此过程
到满足某种收敛指标为止
遗传算法的求解步骤 1:初始化群体; 2:计算个体适应度值; 3:按适应度值选择下一代个体; 4:按交叉概率进行交叉操作; 5:按变异概率进行变异操作; 6:未满足停止条件,则转2; 否
转7; 7:输出最优染色体作为问题最优解 终止条件: (1)完成预先给定进化代数;(2)连续若干代没有改进
机械学习:
机械学习分为监督学习:回归,分类
无监督学习
强化学习
半监督学习
监督学习:从给定的有标注的训练数据集中学习出一个函数,当新的数据到来时可以根据这个函数预测结果,常见任务包括分类与回归
回归:输出连续值
分类:输出类别标签
推测离散的输出值
无监督学习:没有标注的训练数据集,需要根据样本间的统计规律对样本集进行分析,常见任务如聚类等
增强学习:外部环境对输出只给出评价信息而非正确的答案,学习机通过强化奖励动作来改善自身的性能。
半监督学习:结合少量的标注训练数据和大量未标注数据来进行数据的分类学习
神经网络相关知识学习
常见的深度学习网络
多层感知机(MLP)
卷积神经网络(CNN)
循环神经网络(RNN)
长短时记忆网络网络(LSTM)
实质是一个非常复杂的非线性数学计算结构,它可以拟合各种复杂的规律
x为输入。w为输入对应的权值,b为偏置,为一个常数,没有权重,可以将其看作权重固定为1的输入
标签:输出,30,神经网络,学习,监督,软件工程,2023,数据,标注 From: https://www.cnblogs.com/ewqewq/p/17273626.html