什么是 ML.NET？应该如何理解机器学习基础知识？

ML.NET 是一个免费的开源跨平台机器学习框架，可用于生成自定义机器学习解决方案并将其集成到 .NET 应用程序。 借助 ML.NET API，可以使用你已有的 .NET 技能将 AI 结合到应用中，无需离开 .NET。

什么是机器学习？

机器学习是一种允许计算机使用现有数据预测未来行为、结果和趋势的数据科学方法。 使用机器学习，计算机可以在未显式编程的情况下进行学习。

机器学习的预测可以使得应用和设备更智能。 在线购物时，机器学习基于历史购买推荐你可能喜欢的其他产品。 刷信用卡时，机器学习将事务与事务数据库进行比较，帮助检测欺诈行为。 当机器人吸尘器清理房间时，机器学习帮助其决定工作是否完成。

5 个数据科学可解答的问题

数据科学知识的广博令人生畏，因此这里只简单介绍一些基础知识，不会涉及任何公式或计算机编程专业术语。

数据科学使用数字和名称（也称为类别或标签）预测问题的答案。

这可能会让人感到惊讶，但数据科学只可解答以下五种问题：

• 这是 A 还是 B？
• 这是否很奇怪？
• 多少？
• 组织方式为何？
• 接下来该怎样做？

以上每个问题都由单独系列的机器学习方法（称为算法）回答。

将算法视为配方，数据视为成分可帮助理解。 算法告知如何组合以及混合数据以获取答案。 计算机如同搅拌机。 它们可快速完成算法的大部分繁琐工作。

问题 1：“这是 A 还是 B？”

               使用分类算法

问题 2：“这是否很奇怪？”

            使用异常检测算法

 

问题 3：“多少？”

               使用回归算法

问题 4：“组织方式为何？”使用聚类分析算法

问题 5：“现在应该做什么？”使用强化学习算法

最后一个问题 – 现在应该做什么？ - 使用称为强化学习的算法系列。

强化学习的灵感来自于老鼠和人类的大脑对惩罚和奖励的反应。 这些算法从结果中学习，并决定下一步操作。

通常，强化学习适用于自动系统，这些自动系统需要在没有人工指导的情况下做出大量小决策。

此算法总是用于回答此类问题：（通常指计算机或机器人）应采取何种操作。 示例如下：

• 如果我是房子的温度控制系统：调整温度还是保持原有温度？
• 如果我是自动驾驶汽车：遇到黄灯时，是刹车还是加速？
• 对于机器人吸尘器：继续吸尘或返回充电站？

强化学习算法在执行过程中收集数据，从试验和错误中学习。

这就是数据科学可以回答的 5 个问题。