机器学习模型，怎么用机器学习模型做时间序列预测

1，怎么用机器学习模型做时间序列预测

虽然我很聪明，但这么说真的难到我了

怎么用机器学习模型做时间序列预测

2，都有哪些好的机器学习常用模型

Neural Network, Generic Algorithm, AdaBoost, Decision Tree, Hidden Mokov.

都有哪些好的机器学习常用模型

3，机器学习中supervised dictionary learning model是什么意思

受控字典式学习模型，缩写为SDLM。这种模型致力于解决学习过程数据比样本数据还要大的弊端，同时能够自适应地根据环境、情况的变化（有选择地）提取目标样本的特征并加入“字典”中。这个模型在语音识别、音频降噪、（图像中）文字识别或特征图案识别等应用场景中都比较常用。

没看懂什么意思？

机器学习中supervised dictionary learning model是什么意思

4，机器学习中的二分类模型是什么

当然可以。通常情况下，阈值越大，准确率越高，召回率越低。

我们在做研究的时候，会碰到很多术语。有时，在不同的研究领域还会出现同样名称的术语。比如，统计学、经济学中经常使用的“模型参数”和“模型超参数”，在机器学习中也同样存在。机器学习领域中的“模型参数”“模型超参数”在作用、来源等方面都有所不同，初学者如果对二者没有明确的认识，学习起来往往会比较吃力，尤其是那些来自统计学和经济学领域的初学者们。为了让大家在应用机器学习时，对“参数模型”和“超参数模型”有一个清晰的界定，在这篇文章中，我们将具体讨论这两个术语。

5，AlphaGo 用了哪些深度学习的模型

AlphaGo用了一个深度学习的模型：卷积神经网络模型。阿尔法围棋（AlphaGo）是一款围棋人工智能程序。其主要工作原理是“深度学习”。“深度学习”是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。扩展资料：阿尔法围棋用到了很多新技术，如神经网络、深度学习、蒙特卡洛树搜索法等，使其实力有了实质性飞跃。美国脸书公司“黑暗森林”围棋软件的开发者田渊栋在网上发表分析文章说，阿尔法围棋系统主要由几个部分组成：一、策略网络（Policy Network），给定当前局面，预测并采样下一步的走棋；二、快速走子（Fast rollout），目标和策略网络一样，但在适当牺牲走棋质量的条件下，速度要比策略网络快1000倍；三、价值网络（Value Network），给定当前局面，估计是白胜概率大还是黑胜概率大；四、蒙特卡洛树搜索（Monte Carlo Tree Search），把以上这三个部分连起来，形成一个完整的系统。参考资料来源：搜狗百科-阿尔法围棋（围棋机器人）搜狗百科-深度学习

AlphaGo依靠精确的专家评估系统（value network）、基于海量数据的深度神经网络（policy network），及传统的人工智能方法蒙特卡洛树搜索的组合，以及可以通过左右互搏提高自己的水平，这个真的是有的恐怖了有木有。李世石九段固然厉害，可人类毕竟是动物，机器软件程序是无休止的工作，这一点也是客观因素了。比赛已经结束了，李世石一比四不敌alphago。

6，机器学习中的主动学习算法有什么

你说的主动学习算法是什么意思? 是指无监督学习吗?

主动学习的算法主要有两种(1)基于评委的方法 (committee-based methods)首先用各种不同的学习器对样本进行标注，然后由标注人员对有争议的标注结果作出最终判断。不同的学习器之间的分歧是由它们对样本标注结果预测的差异所造成的。 (2)基于置信度的方法(certainty-based methods)先由模型给出具有较低置信度的样本，再交给标注人员选择性地进行标注。置信度的计算通常是由学习器度量n-最优(n-best)标注结果之间的差异得到的。下面详细描绘一下基于评委的方法和基于置信度的方法的普遍流程。基于评委的方法： (1) 对于由 n个未标注样本构成的样本组 B 中的每个样本e，使用从先前标注样本中训练出来的 k 个模型对其进行标注，得到 k个结果测量出具有争议的标注结果De ； (2) 从样本组 B 中选择出 m个具有最高 De值的样本交给标注人员进行标注。把人工标注好的样本加进训练样本库里； (3)在扩大后的训练样本库的基础上，再重新得到 k个模型。首先将语料库划分为连续的n个样本组，贯穿整个语料库，重复地在n 个样本组中顺序地进行该过程。如果语料库不大，样本 n正好等于语料库的大小，那么这个过程中的每一步都是在语料库的未标注样本中选择出m 个全局最优的实例，如果语料库的大小比样本 n大，那么这个过程是承接进行的。基于置信度的方法：(1)从先前标注的样本中训练出一个模型； (2)对于 N个未标注的样本组中的每一个样本用模型对其进行标注，评估模型标注的置信度； (3)从样本组中选择 m个具有最低置信度的样本交给标注人员进行标注；(4)把新标注的样本加进训练语料中；(5)重复执行以上过程直到标注人员停止或未标注样本用尽。 Hwa运用基于置信度的方法从 Penn Treebank语料库学习语法，把学习器对一个样本的标注结果的不确定性等同于该样本的“训练效用值”。如果学习器能够从大量的未标注语料中识别出具有较高训练效用值的样本的子集，标注人员就不需要花费时间去标注那些不富含信息的样本。基于置信度的方法的难点在于如何构造一种度量方法来评估学习器标注结果的置信度。

楼主肯定对机器学习了解不多才会提这种问题。这问题专业程度看起来和“机器学习工程师”这词汇一样。机器学习，基础的pca模型理论，贝叶斯，boost,adaboost,模式识别中的各种特征，诸如hog，haar,sift等深度学习里的dbn，cnn，bp，rbm等等。非专业出身，只是略懂一点。没有常用的，只是针对需求有具体的设计，或者需要自己全新设计一个合适的算法，现在最热门的算是cnn(convolutional neural networks)卷积神经网络了。优点:不需要训练获取特征，在学习过程中自动提取图像中的特征，免去了常规方法中，大量训练样本的时间。在样本足够大的情况下，能够得到非常精确的识别结果。一般都能95%+的正确率。缺点：硬件要求高，cuda的并行框架算是用的很火的了。但是一般的台式机跑一个demo花费的时间长资源占用高。不过这也是这块算法的通病。