论文部分内容阅读
摘 要：我国社会城市化发展水平在经济快速增长的带动下，呈现出了全面深入的发展势态，特别是人工智能行业的发展，为人们享受高品质生活提供了保障。人工智能中的机器学习，具有不可替代的作用，为人们生活舒适程度的提升带具有巨大的促进作用。本文针对我国机器学习及其算法和发展，展开详细的分析，为我国人工智能行业稳健发展，奠定坚实的基础。
关键词：机器学习;算法;发展
引言：我国社会现代化程度逐渐加深，使计算机技术和人工智能技术得到了良好的发展，为人们生活和工作提供了便捷的服务。因此，加大对机器学习研究力度，通过利用计算机技术获得人们需要你的数据、信息、资料，使计算机技术智能化发展的目标进一步实现，有效拉近与人工智能之间的距离。
一、机器学习经典性算法
（一）决策树算法
决策树算法是一种形状类似大树的预测型模型，从模型的根节点开始，将实际中的案例进行排列，直到叶节点为之，在此基础上，对这些案例展开严谨的类别划分，每一个节点对应一种案例的类别。决策树算法主要是以CART算法、C4.5算法、C4.5算法为基础，利用剪枝和分裂的模式开展相关学习的。决策树算法的计算顺序采取的是从上至下的方法，将最有属性设定为每一个节点分类效果选择的标准模式，并不断重复此过程，使决策树能够在有效、准确的保证下，开展相关的分类训练集，并且确保每一个相应的属性都被自身使用过。在分类学习实际开展的过程中，由于每一个也节点对应案例的一个分类，所以，对应的分类应该属于叶节点，此时，叶节点已经包含、汇总了种类丰富的样本，因此，可以根据其中样本具有的众多数量，选择出该类别中具有个体总数最多的样本。与此同时，想要将回归类屋内的问题有效解决，可以选择数量的平均数来支持相关工作。在决策树算法中根据内容的大小，可以分为较大树和较小树，在较大树中，允许数据过分你拟合的情况发生，在较小树中，不允许获取重要结构相关信息。在使用决策树算法的过程中，必须保证使用的案例不能具备较高的复杂性以及调整参因数，使数据能够利用科学的控制手段，自行选择适应范围，从而得到树的科学大小。比如，通过对树进行科学的修剪，能够改变其中数据的内容，达到降低噪音的效果。
（二）随机森林算法
虽然决策树算法中具有剪枝控制树方法和分类属性方法，能够促进机器学习效果的提升，但是对树出现的不平衡现象，却不能进行有效的控制。因此，根据大量的实际调查研究能够发现，将分裂器和回归器设计在树中，能够使树的预测精准度和分类准确度进一步提升。随机森林算法是一种具有多重决策能力的树{h（X，k）}，能够形成数量较多分裂器和回归器。在此过程中，{（k）}的种类不同，相互之间保持独立，并且具有的向量同时随机分布。当得到具体的得分以后，通过投票的模式对其进行科学的分类，将输出向量类别总数最多的设成X并标注，这样，在后续的回归环节，将不同得分的进行计算，并将得分的平均值作为最终的决断依据[1]。
（三）人工神经网络算法
人工神经网络算法的出现，主要受到生物学的启发，将神经元理论作为基础，形成的一种结构比较复杂的网络。通过将单一的众多单元有机结合，组成一张庞大的网络体系，就是人工神经网络算法的核心。尤其人工神经网络算法中的每一个单元都具有一定的实际数值输入能力，因此，会产生大量的实际数值输出。这一特点为人工神经网络算法具备较大数据库奠定了基础。组成人工神经网络算法的众多模型具有种类多元化的优势，由于应用领域、计算方法、运行模式、组成结构、获得途径等方面存在较大的差异，因此，每一个模型具有的作用各不相同。根据对人工神经网络算法进行的大量实际调查研究发现，ART模型、SOM模型、自组织神经网络模型、多层前向神经网络MLFN模型等，是人工神经网络算法中被使用次数最多的几种，这是因为，人工神经网络算法的核心重点，主要是对阈值逻辑单元进行建造，将每一个单元作为独立于其他单元单独存在的个体，可以通过对加权系数量的输入，进行求和。在此过程中需要注意的是，如果求和的结果与某个阈值的数值相同或者大于某个阈值的数值，那么，应该输出一个量[2]。
（四）朴素贝叶斯
朴素贝叶斯算法的使用，应该根据推理的需要而定。比如，通过对物体外形特点的描述推理出物体的类型，该商品各个特征之间相互独立，互不影响，但是当物体的特征数量较多时，独立条件制定低效，此时可以运用朴素贝叶斯算法。通过对物体各个特征的整理，得到特征概率表。在推理的过程中，通过对特征概率的比较得到目标结果。在此过程中需要注意，朴素贝叶斯算法的训练过程比较容易，推理过程却具有比较大的难度。
（五）马尔可夫
任何一个贝叶斯模型对应于唯一的一个马尔可夫模型，而任意一个马尔可夫模型，可以对应于多个贝叶斯模型。贝叶斯模型类似于象棋，等级分明;马尔可夫模型类似于围棋，人人平等。马尔可夫模型是一种统计模型，广泛应用在语音识别，词性自动标注，音字转换，概率文法等各个自然语言处理等应用领域。
二、机器学习的发展
根据大量的实际调查研究我们能够发现，机器学习在大数据、物联网、云计算等技术的支持下，能够有效促进数字化技术的发展，使自身具备能够理解人类行为、语言、情感的能力，使自身水平提升到能够完成人际互动的层次，将自动驾驶的愿望互转变成现实。在医疗领域、金融行业、教育领域等日常生活中，机器学习的用途也比较广泛，不仅能够使具体工作的效率提升，还能使相关工作朝着智能化、个性化的方向进一步发展。相信，在不远的未来，人类的体力、思考、学习、认知等特点必将会在机器学习的作用下，得到进一步强化[3]。
结束语
综上所述，根据以上针对机器学习及其算法和发展，展开的详细研究，我们能够明确的了解，我国机器学习发展水平还不够完善，对人工智能的发展还不够全面，虽然其中很多存在问题的环节还不能攻克，但是在相关技术人员不断的努力下，通过大量的实践操作，吸取其它发达国家丰富的经验，必然会使我国机器学习的水平和发展的带进一步提升，为我国人工智能领域的发展贡献力量。
參考文献：
[1]夏天.机器学习及其算法与应用研究[J].电脑知识与技术，2017，12（15）：56-58.
[2]谷珊.大数据环境下机器学习算法趋势研究[J].海峡科技与产业，2017，23（8）：38-40.
[3]李云飞.关于机器学习及其算法和发展研究[J].建筑工程技术与设计，2016，（15）：1344.
关键词：机器学习;算法;发展
引言：我国社会现代化程度逐渐加深，使计算机技术和人工智能技术得到了良好的发展，为人们生活和工作提供了便捷的服务。因此，加大对机器学习研究力度，通过利用计算机技术获得人们需要你的数据、信息、资料，使计算机技术智能化发展的目标进一步实现，有效拉近与人工智能之间的距离。
一、机器学习经典性算法
（一）决策树算法
决策树算法是一种形状类似大树的预测型模型，从模型的根节点开始，将实际中的案例进行排列，直到叶节点为之，在此基础上，对这些案例展开严谨的类别划分，每一个节点对应一种案例的类别。决策树算法主要是以CART算法、C4.5算法、C4.5算法为基础，利用剪枝和分裂的模式开展相关学习的。决策树算法的计算顺序采取的是从上至下的方法，将最有属性设定为每一个节点分类效果选择的标准模式，并不断重复此过程，使决策树能够在有效、准确的保证下，开展相关的分类训练集，并且确保每一个相应的属性都被自身使用过。在分类学习实际开展的过程中，由于每一个也节点对应案例的一个分类，所以，对应的分类应该属于叶节点，此时，叶节点已经包含、汇总了种类丰富的样本，因此，可以根据其中样本具有的众多数量，选择出该类别中具有个体总数最多的样本。与此同时，想要将回归类屋内的问题有效解决，可以选择数量的平均数来支持相关工作。在决策树算法中根据内容的大小，可以分为较大树和较小树，在较大树中，允许数据过分你拟合的情况发生，在较小树中，不允许获取重要结构相关信息。在使用决策树算法的过程中，必须保证使用的案例不能具备较高的复杂性以及调整参因数，使数据能够利用科学的控制手段，自行选择适应范围，从而得到树的科学大小。比如，通过对树进行科学的修剪，能够改变其中数据的内容，达到降低噪音的效果。
（二）随机森林算法
虽然决策树算法中具有剪枝控制树方法和分类属性方法，能够促进机器学习效果的提升，但是对树出现的不平衡现象，却不能进行有效的控制。因此，根据大量的实际调查研究能够发现，将分裂器和回归器设计在树中，能够使树的预测精准度和分类准确度进一步提升。随机森林算法是一种具有多重决策能力的树{h（X，k）}，能够形成数量较多分裂器和回归器。在此过程中，{（k）}的种类不同，相互之间保持独立，并且具有的向量同时随机分布。当得到具体的得分以后，通过投票的模式对其进行科学的分类，将输出向量类别总数最多的设成X并标注，这样，在后续的回归环节，将不同得分的进行计算，并将得分的平均值作为最终的决断依据[1]。
（三）人工神经网络算法
人工神经网络算法的出现，主要受到生物学的启发，将神经元理论作为基础，形成的一种结构比较复杂的网络。通过将单一的众多单元有机结合，组成一张庞大的网络体系，就是人工神经网络算法的核心。尤其人工神经网络算法中的每一个单元都具有一定的实际数值输入能力，因此，会产生大量的实际数值输出。这一特点为人工神经网络算法具备较大数据库奠定了基础。组成人工神经网络算法的众多模型具有种类多元化的优势，由于应用领域、计算方法、运行模式、组成结构、获得途径等方面存在较大的差异，因此，每一个模型具有的作用各不相同。根据对人工神经网络算法进行的大量实际调查研究发现，ART模型、SOM模型、自组织神经网络模型、多层前向神经网络MLFN模型等，是人工神经网络算法中被使用次数最多的几种，这是因为，人工神经网络算法的核心重点，主要是对阈值逻辑单元进行建造，将每一个单元作为独立于其他单元单独存在的个体，可以通过对加权系数量的输入，进行求和。在此过程中需要注意的是，如果求和的结果与某个阈值的数值相同或者大于某个阈值的数值，那么，应该输出一个量[2]。
（四）朴素贝叶斯
朴素贝叶斯算法的使用，应该根据推理的需要而定。比如，通过对物体外形特点的描述推理出物体的类型，该商品各个特征之间相互独立，互不影响，但是当物体的特征数量较多时，独立条件制定低效，此时可以运用朴素贝叶斯算法。通过对物体各个特征的整理，得到特征概率表。在推理的过程中，通过对特征概率的比较得到目标结果。在此过程中需要注意，朴素贝叶斯算法的训练过程比较容易，推理过程却具有比较大的难度。
（五）马尔可夫
任何一个贝叶斯模型对应于唯一的一个马尔可夫模型，而任意一个马尔可夫模型，可以对应于多个贝叶斯模型。贝叶斯模型类似于象棋，等级分明;马尔可夫模型类似于围棋，人人平等。马尔可夫模型是一种统计模型，广泛应用在语音识别，词性自动标注，音字转换，概率文法等各个自然语言处理等应用领域。
二、机器学习的发展
根据大量的实际调查研究我们能够发现，机器学习在大数据、物联网、云计算等技术的支持下，能够有效促进数字化技术的发展，使自身具备能够理解人类行为、语言、情感的能力，使自身水平提升到能够完成人际互动的层次，将自动驾驶的愿望互转变成现实。在医疗领域、金融行业、教育领域等日常生活中，机器学习的用途也比较广泛，不仅能够使具体工作的效率提升，还能使相关工作朝着智能化、个性化的方向进一步发展。相信，在不远的未来，人类的体力、思考、学习、认知等特点必将会在机器学习的作用下，得到进一步强化[3]。
结束语
综上所述，根据以上针对机器学习及其算法和发展，展开的详细研究，我们能够明确的了解，我国机器学习发展水平还不够完善，对人工智能的发展还不够全面，虽然其中很多存在问题的环节还不能攻克，但是在相关技术人员不断的努力下，通过大量的实践操作，吸取其它发达国家丰富的经验，必然会使我国机器学习的水平和发展的带进一步提升，为我国人工智能领域的发展贡献力量。
參考文献：
[1]夏天.机器学习及其算法与应用研究[J].电脑知识与技术，2017，12（15）：56-58.
[2]谷珊.大数据环境下机器学习算法趋势研究[J].海峡科技与产业，2017，23（8）：38-40.
[3]李云飞.关于机器学习及其算法和发展研究[J].建筑工程技术与设计，2016，（15）：1344.