极客教程PyTorch 机器学习的通用工作流程
人工智能如今正处于流行趋势中，机器学习和深度学习构成了人工智能的一部分。下面的维恩图解释了机器学习和深度学习之间的关系。
机器学习
机器学习是一种科学艺术，允许计算机根据设计和编程的算法行动。许多研究人员认为机器学习是实现人类级别的人工智能的最佳方式。它包括各种类型的模式，如−
- 监督学习模式
- 无监督学习模式
深度学习
深度学习是机器学习的一个子领域，其中的算法受到人工神经网络以及大脑结构和功能的启发。
深度学习通过有标记数据和算法的监督学习或学习从中获得了很大的重要性。深度学习中的每个算法都经历相同的过程。它包括对输入进行非线性转换的层次结构，并使用它们来创建一个统计模型作为输出。
机器学习过程定义如下步骤−
- 确定相关数据集并准备进行分析。
- 选择要使用的算法类型。
- 基于所使用的算法构建一个分析模型。
- 在测试数据集上训练模型，并根据需要进行修正。
- 运行模型以生成测试分数。
PyTorch 教程目录
- PyTorch 简介
- PyTorch 安装
- PyTorch 神经网络的数学基本构建模块
- PyTorch 神经网络基础
- PyTorch 机器学习的通用工作流程
- PyTorch 机器学习 vs. 深度学习
- PyTorch 实现第一个神经网络
- PyTorch 神经网络到功能块
- PyTorch 术语
- PyTorch 加载数据
- PyTorch 线性回归
- PyTorch 卷积神经网络
- PyTorch 循环神经网络
- PyTorch 数据集
- PyTorch 卷积神经网络介绍
- PyTorch 从头训练一个卷积神经网络
- PyTorch 卷积神经网络中的特征提取
- PyTorch 卷积神经网络的可视化
- PyTorch 序列处理与卷积
- PyTorch 词嵌入
- PyTorch 递归神经网络