自主学习算法的机器学习研究

数据现在已经成为一种新的货币。当新的生活规范将推动我们采用更多的数字产品时，数据将在决定消费者行为和个性化数字解决方案方面发挥关键作用。

对数字产品的需求将日益增加，产品经理的责任也将增加，这将促进他们学习新的技能和技术。我将继续与其他产品专家分享我的经验和教训，以更好地解决消费者问题。

让我们从对机器学习的简单理解开始我们的旅程。机器学习是人工智能的一个应用，它使系统能够自动学习并从经验中改进。机器学习主要集中在计算机程序的开发上，当接触到新的数据时，这些程序可以教会自己成长和改变。

机器学习研究用于自学的算法。主要目的是让计算机在没有人工干预的情况下自动学习。

纵观当前的商业趋势，所有公司，无论是航空、电子商务、广告、教育，都在努力为消费者提供个性化的产品。如果我们只谈论印度，我们有6亿多互联网用户，每天都有多种数据生成，不可能手动分析和发现这些数据中的任何模式。这是机器学习，帮助数据科学家和产品经理在行动中获得有价值的见解。

我将试着解释最大似然算法的基本知识。每个产品经理都应该了解这些知识，以个性化用户体验，并有效地理解和解决消费者和业务问题。虽然他们不需要更深入地研究这些算法的编码和体系结构，但是他们应该理解基础知识，这样他们就可以理解构建了什么以及如何构建它。

机器学习算法可以大致分为：

有监督和没有监督

监督机器学习算法

监督机器学习算法从标记的训练数据中学习，帮助您预测不可预测数据的结果。例如，你想训练一台机器来帮助你预测从工作地点开车回家需要多长时间。在这里，您首先创建一组标签数据，例如：

-天气状况-

一天中的时间

-假期

监督学习就是你有输入变量(x)和输出变量(y)，你使用算法来学习从输入到输出的映射函数。

Y=f(X)

监督机器学习算法的一个流行例子是“线性回归分析”。

线性回归分析

线性回归分析是一种预测建模技术，用于研究因变量和自变量之间的关系。线性回归的目的是找到一条能够准确描述两个变量之间实际关系的直线。回归技术使用培训数据来预测个人产值，这有助于根据以前的销售额、国内生产总值增长或其他条件来预测公司的销售额。

线性回归：y=abxus

其中：

Y=您想要预测的变量

X=用于预测y的变量

A=截距

B=斜率

U=回归残差

无监督机器学习算法

当用于培训的信息既没有分类也没有标记时，它们将被使用。该系统确实可以找到正确的输出，但它可以探索数据并从数据集获得干扰，以描述未标记数据中的隐藏结构。无监督学习是一个只输入数据(x)而没有相应输出变量的地方。

无监督学习的目标是对数据的基础结构或分布进行建模，以了解更多关于数据的信息。与无监督学习不同，没有正确的答案，也没有老师。该算法是自己设计的，用来发现和呈现数据中有趣的结构。所有数据都没有标记，算法从输入数据中学习固有结构。