机器学习组会汇报的简单介绍

本篇文章给大家分享机器学习组会汇报，以及对应的知识点，希望对各位有所帮助。

简述信息一览：

• 1、存在偏差的机器学习模型会有什么影响?
• 2、机器学习的回归分析为什么不好用?
• 3、如何开展数字化展览？
• 4、机器学习是什么
• 5、机器学习四大数据分析降维方法详解
• 6、交互式机器学习有哪些最新成果

存在偏差的机器学习模型会有什么影响?

1、而固有偏见的机器学习系统可能会使部分客户群体或社会利益相关者处于劣势，并可能造成或延续不公平的结果。有科学家认为，算法偏差是机器学习的最大风险之一，因为它会影响机器学习的实际目的。

2、训练误差是指机器学习模型在训练数据集上的误差，通常用来评估模型的性能。训练误差由方差和偏差组成，这两个概念是评估模型复杂度和泛化能力的重要指标。偏差是指模型对训练数据的拟合程度，即模型预测结果与真实结果的偏离程度。

3、总的来说，偏差反映了模型的拟合能力，而方差则衡量了模型的稳定性。在实践中，我们更关注模型在未知数据上的表现，因此选择直线模型更符合我们的目标，因为它在预测性能上更为优秀。当然，完美的模型是偏差和方差都小的，但在现实问题中，我们需要在两者之间寻找平衡。

4、在集成学习中，Bagging通过一致对待模型降低方差，而Boosting则通过挑选精英模型减小偏差，两者在样本选择和权重分配上有所差异。适应与挑战随机森林凭借其随机性和并行性，适用于大数据集，但对初始值敏感。Adaboosting在精度上表现出色，但对迭代次数和数据不平衡的处理需要谨慎。

机器学习的回归分析为什么不好用?

1、广义加性模型（GAM）（Hastie，1984）使用光滑函数（如样条曲线）作为回归模型中的预测因子。这些模型是严格可加的，这意味着我们不能像正常回归那样使用交互项，但是我们可以通过重新参数化作为一个更光滑的模型来实现同样的效果。

2、逻辑回归的性能不是很好。第二就是容易欠拟合，一般准确度不太高。第三就是不能很好地处理大量多类特征或变量。第四个缺点就是只能处理两分类问题，且必须线性可分。第五个缺点就是对于非线性特征，需要进行转换。

3、是惰性算法，基本上不学习，导致预测时速度比起逻辑回归之类的算法慢。样本不平衡的时候，对稀有类别的预测准确率低。当样本不平衡时，如一个类的样本容量很大，而其他样本容量很小时，很有可能导致输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。

4、回归模型的优点：更好地预测连续变量的值；回归模型的缺点：对异常值敏感，回归模型拟合整个数据集，这意味着它们对异常值更敏感，可能导致模型错误。分类模型是一种机器学习算法，可以根据图像的视觉特征对图像进行识别和分类；回归模型通常用于预测分析，时间序列模型以及发现变量之间的因果关系。

5、灵活与局限逻辑回归作为二分类的常用工具，解释性强，但局限于二分类任务。KNN算法直观易懂，但计算量大且对异常值敏感。决策树如IDC5等，虽然易于理解，但可能面临过拟合问题。

如何开展数字化展览？

数字化沙盘技术：引入数字化沙盘技术，借助虚拟仿真，将城市规划以高度立体的形式展现。市民通过数字化沙盘可以直观了解城市规划的意图和效果，同时通过互动操作，如旋转、缩放等，深入了解城市规划的多层次细节。

博物馆和各种艺术展览 通过空间三维激光扫描技术将博物馆1：1还原，生成VR数字空间，并且通过NeRF技术可以实现文物1：1还原扫描，能够让用户在线上就可以参观博物馆，打造身临其境的观展体验。支持设置参观导览和路线指引，数字空间与展品信息（包括突破、***、文字资料等）无缝融合，线上观展不再云里雾里。

优化展览布局：设计合理的展览布局，使观众能够流畅、有序地进行展览。考虑到观众的浏览方式和心理需求，提供清晰的导览和展品信息，保证观众可以完整地体验展览内容。 创造互动体验：数字展厅的特点是可以提供更多的互动体验。

沟通需求阶段 一个展厅项目的第一步是根据甲方的意向进行沟通和交流，尽可能准确和完整地获取甲方的需求，并对项目现场进行初步的勘探，进行尺寸测量和图纸绘制。

机器学习是什么

顾名思义， 机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等。

机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。（2） 机器学习是对能通过经验自动改进的计算机算法的研究。（3） 机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。

机器学习：是通过计算机用数学技术方法来研究模式的自动处理和判读。模式识别：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。

机器学习（Machine Learning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。[1]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。

机器学习是一种通过算法和统计模型使计算机系统具备自动学习能力的领域。它是人工智能的一个重要分支，旨在让计算机系统从数据中自动学习并提升性能，而无需显式地进行编程。机器学习的核心思想是通过对大量数据的学习和分析，寻找数据中的模式、规律和趋势，并将这些知识应用于新的数据中做出预测或做出决策。

机器学习四大数据分析降维方法详解

1、最速下降法是用负梯度方向为搜索方向的，最速下降法越接近目标值，步长越小，前进越慢。好比将函数比作一座山，我们站在某个山坡上，往四周看，从哪个方向向下走一小步，能够下降的最快；当然解决问题的方法有很多，梯度下降只是其中一个，还有很多种方法。

2、参数init，可以用来选择初始化的方法，不同的方法对结果会有不同的表现。 在PCA处理中，假使将特征降维为600个，那么降维后的每个人脸都包含了600个特征（所以我们看到降维后的人脸有种“伏地魔”的感觉 ，这是因为降维处理相当于删去了部分细节特征，导致一部分信息丢失，在图片中最直观的体现就是变模糊）。

3、PCA在机器学习中很常用，是一种无参数的数据降维方法。

4、数据降维有很多方法，其中最常见的包括主成分分析（PCA）、线性判别分析（LDA）、t-分布邻域嵌入算法（t-SNE）等。例如，主成分分析是一种常用的线性降维方法，它通过正交变换将原始数据变换为一组各维度线性无关的表示，这组表示被称为主成分。

5、数据压缩 将数据从多维数据降低为低维数据，从而减小数据的规模，并使用较少的计算机内存或磁盘空间。在机器学习中，通过降维也可以加快算法计算。2）可视化 通过降维可以减小数据的特征数，从而可以分析组成数据的基本结构，方便可视化数据。但是，降维后新的特征所代表的含义需要我们依据情况自己分析。

6、探索深度：机器学习中的LDA（线性判别降维算法）LDA，即线性判别分析，与PCA（主成分分析）的策略截然不同。它是一种有监督的降维技术，其核心理念是最大化类别间的差异，同时保持同一类内的数据点紧凑。LDA基于两个核心假设：数据根据样本均值分类：原始数据的类别区分主要依赖于样本的平均值分布。

交互式机器学习有哪些最新成果

Ramp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习中可插入的框架，它现存的Python语言下的机器学习和统计工具（比如scikit-learn，rpy2等）Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实施算法和转换。

iPadOS 17 新增交互式小组件，用户仅需轻轻一点就能完成任务。例如，用户可以使用小组件直接开灯、播放歌曲、将提醒标记为完成。更新的 WidgetKit 可帮助开发者为自己的小组件构建交互体验。交互式小组件可在锁定屏幕和主屏幕上使用，帮助用户轻松完成多种操作、一目了然地获取实用信息。

利用人类能力训练机器智能实践已有很多，包括网络节点协作、开放性思维***、交互式机器学习。 如何系统地实现借助人类能力实现游戏化数据标注训练机器智能。 对于人类来说，许多任务是微不足道的，但对于计算机程序，即便是最复杂精细的计算机程序，要完成这些任务仍旧面临挑战。

关于机器学习组会汇报，以及的相关信息分享结束，感谢你的耐心阅读，希望对你有所帮助。