既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)

既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？

這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)測模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學(xué)習(xí)算法，因?yàn)樗麄儷@得的用戶數(shù)據(jù)是數(shù)以億計(jì)的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹和其他機(jī)器學(xué)習(xí)算法。如果你有一個(gè)大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)和其他深度學(xué)習(xí)算法。

以下是一個(gè)圖表，用于說明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機(jī)器學(xué)習(xí)算法。

如果你認(rèn)為它對你有幫助，你可以多表揚(yáng)，也可以關(guān)注它。謝謝您

從哪本書開始學(xué)習(xí)Python比較好？

如果是基本的，我想找一個(gè)在線網(wǎng)站學(xué)習(xí)如何開始是可以的。如果你想系統(tǒng)地學(xué)習(xí)，我建議從不同的方向?qū)W習(xí)會(huì)更有效率。例如下面三個(gè)，分別為安全域、數(shù)據(jù)分析、網(wǎng)絡(luò)爬蟲等。如果是游戲指導(dǎo)或機(jī)器學(xué)習(xí)，找另一個(gè)。。

29歲想學(xué)python，有哪些建議？

學(xué)習(xí)Python與年齡無關(guān)。去年，我33歲的時(shí)候在openstack上學(xué)習(xí)Python。在我的職業(yè)生涯中，我學(xué)過幾種語言，包括C、C、PHP和python。

就學(xué)習(xí)內(nèi)容而言，我認(rèn)為學(xué)習(xí)一門語言主要包括兩個(gè)方面：

1）語言本身的語法，其實(shí)內(nèi)容很少

2）與語言相關(guān)的系統(tǒng)庫和第三方庫，內(nèi)容多，難度大

另外，我的經(jīng)驗(yàn)是如何學(xué)好一門語言的實(shí)踐，實(shí)踐包括兩個(gè)方面：

1）閱讀更多的代碼，你可以看到更好的開源項(xiàng)目，如openstack或Django等。

2）編寫更多的代碼。如果你的工作中有項(xiàng)目，如果沒有，你可以寫一些小項(xiàng)目。例如，開發(fā)一個(gè)python版本的redis。

機(jī)器學(xué)習(xí)與深度學(xué)習(xí)有什么異同？

深度學(xué)習(xí)和一般機(jī)器學(xué)習(xí)有什么區(qū)別

1:一般機(jī)器學(xué)習(xí)一般指決策樹、邏輯回歸、支持向量機(jī)、xgboost等，深度學(xué)習(xí)的主要特點(diǎn)是使用深度神經(jīng)網(wǎng)絡(luò)：深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)等等等。算法在層次上沒有相似性。很難說相似性可能是每個(gè)人的函數(shù)都要擬合的高維函數(shù)。 ] ]2:一般機(jī)器學(xué)習(xí)在分析低維和可解釋的任務(wù)時(shí)表現(xiàn)更好。例如，數(shù)據(jù)挖掘和推薦算法。它們的特點(diǎn)是，總體而言，所收集的數(shù)據(jù)維數(shù)不高。以廣告推送任務(wù)為例，一般分析的數(shù)據(jù)維度僅包括性別、年齡、學(xué)歷、職業(yè)等，參數(shù)調(diào)整方向明確。

3：深度學(xué)習(xí)算法擅長分析高維數(shù)據(jù)。例如，圖像、聲音等。例如，圖像可以具有千萬像素，相當(dāng)于千萬特征向量維，并且像素之間的關(guān)系不是特別明顯。在這種情況下，卷積神經(jīng)網(wǎng)絡(luò)能夠有效地處理這一問題，基本上能夠非常準(zhǔn)確地掌握圖像的特征。但各維度的解釋力很弱，參數(shù)調(diào)整的方向也不明確（神經(jīng)元個(gè)數(shù)、隱層個(gè)數(shù)等）。綜上所述，兩者其實(shí)有很大的不同。近年來，深度學(xué)習(xí)得到了發(fā)展。傳統(tǒng)的機(jī)器學(xué)習(xí)算法大多來源于概率論和信息學(xué)。在編程方面，傳統(tǒng)的機(jī)器學(xué)習(xí)模型基本上集成到sklearn包中。對于深度學(xué)習(xí)，可以使用tensorflow作為框架。對于傳統(tǒng)機(jī)器學(xué)習(xí)的詳細(xì)理解，可以從李航的統(tǒng)計(jì)原理或周志華的機(jī)器學(xué)習(xí)（又稱西瓜書）中看到。由于近兩年關(guān)于深度學(xué)習(xí)的書籍很少，我們可以參考近兩年關(guān)于深度學(xué)習(xí)的論文。當(dāng)然，它們都需要堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，主要有三本書：線性代數(shù)或高級代數(shù)、高等數(shù)學(xué)或數(shù)學(xué)分析、概率論或隨機(jī)過程

要如何開始從零掌握Python機(jī)器學(xué)習(xí)？

我已經(jīng)用Python做了七多年了，現(xiàn)在我從事的是視頻對象識別方法的開發(fā)，使用tensorflow，也是基于Python語言的。Python是一種解決所有問題的語言，值得擁有

！我從2012年開始學(xué)習(xí)機(jī)器學(xué)習(xí)，因?yàn)闆]有指導(dǎo)，我走了很多彎路，浪費(fèi)了很多時(shí)間和精力。一開始，我讀了《機(jī)器學(xué)習(xí)實(shí)踐》一書。雖然我不懂，但我還是把書中所有的例子都跑了一遍，漸漸發(fā)現(xiàn)自己不懂算法也能達(dá)到預(yù)期的效果。然后，我會(huì)直接開發(fā)我想要的程序。當(dāng)我遇到需要機(jī)器學(xué)習(xí)的部分時(shí)，我會(huì)直接復(fù)制它。一周后，演示會(huì)出來。在這個(gè)時(shí)候，你會(huì)發(fā)現(xiàn)你已經(jīng)開始了。剩下的就是理解每種算法的范圍和局限性。

不要掉進(jìn)無休止的書堆里，練習(xí)和做項(xiàng)目

！呃，地鐵到了。我要去工作了。我還沒做完呢。有機(jī)會(huì)我會(huì)繼續(xù)討論的