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(cè)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(duì)你有幫助，你可以多表?yè)P(yáng)，也可以關(guān)注它。謝謝您

學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)、SVM等機(jī)器學(xué)習(xí)的知識(shí)，為了更好的投入到應(yīng)用當(dāng)中，用matlab還是c 好呢？

這主要取決于學(xué)習(xí)它的目的。我認(rèn)為可以分為兩種情況，一種是學(xué)術(shù)研究，另一種是工程應(yīng)用。下面分別說明。

對(duì)于學(xué)術(shù)研究來說，不僅需要了解機(jī)器學(xué)習(xí)中各種算法的原理，還需要能夠獨(dú)立進(jìn)行數(shù)學(xué)推理才能有進(jìn)一步的發(fā)展。此時(shí)，為了對(duì)算法有更深入的理解和應(yīng)用，通過編程來實(shí)現(xiàn)這些算法是一種很好的方法。例如，對(duì)于在校研究生來說，如果能自己動(dòng)手編寫這些算法，不僅能加深對(duì)理論的理解，還能增加實(shí)踐經(jīng)驗(yàn)。對(duì)于這些算法的實(shí)現(xiàn)，首選的編程語(yǔ)言是C/C。對(duì)于工程應(yīng)用，我們不需要對(duì)各種算法有很深的了解，只要我們了解它們的原理和工作機(jī)制就可以了。如果有現(xiàn)成的圖書館，那就更好了。我們不必每件事都自己去實(shí)現(xiàn)。在當(dāng)前的編程語(yǔ)言中，MATLAB和python對(duì)機(jī)器學(xué)習(xí)的支持較好，但考慮到版權(quán)和成本問題，推薦使用python。畢竟，它是一個(gè)開源項(xiàng)目，而且有很多第三方庫(kù)支持機(jī)器學(xué)習(xí)，比如pytorch、tensorflow等，雖然MATLAB功能強(qiáng)大，但是價(jià)格昂貴。

總之，如果學(xué)生想向?qū)W術(shù)方向發(fā)展，應(yīng)該選擇C/C來實(shí)現(xiàn)這些算法；如果他們是做工程的，可以直接使用python，這是最適合AI開發(fā)的語(yǔ)言之一。

初學(xué)CAD如何入門？

不容易回答。請(qǐng)支持我。謝謝您！