您获得深入机器学习知识和实践教程的一站式资源。
机器学习 (ML) 是人工智能 (AI) 的一个子集，专注于能够“学习”训练数据模式，并随后对新数据做出准确推断的算法。这种模式识别能力使机器学习模型能够在没有明确、硬编码指令的情况下做出决策或预测。机器学习，尤其是深度学习，是大多数现代 AI 系统的支柱。
在本综合指南中，您将找到一系列与机器学习相关的内容，例如教育阅读解释器、实践教程、播客片段等等。
作为您学习之旅的第一步，请深入了解机器学习阅读解释器，以获得高层次的理解。
探索支持机器学习用例的基础数据科学和统计原理。
功能工程是从原始数据中选择、转换和创建新功能以提高 ML 模型性能的过程。
监督学习使用人类标记的输入和输出数据集，以训练 ML 模型。
无监督学习通过发现隐藏模式或数据簇来分析和聚类数据集，而无需人工输入。
半监督学习使用标记和未标记的数据来训练模型以执行分类和回归任务，从而将监督学习和无监督学习相结合。
强化学习允许自主智能体通过试错进行学习，并以奖励或惩罚的形式接收其行为的反馈。
深度学习使用多层神经网络（称为深度神经网络）来模拟人类大脑复杂的决策。
生成式 AI 可以创建文本、图像、视频、音频或软件代码等原创内容，以响应用户的提示或请求。
模型训练是使用与模型最终用例相关的样本任务的数据集，“教导”机器学习模型以优化性能的过程。
机器学习库是预编写代码、函数和工具的集合，可简化 ML 算法和模型的开发与实施。
MLOps 是机器学习运维 (Machine Learning Operations) 的缩写，是一组旨在帮助从业者创建构建和运行 ML 模型的标准化流程的实践。
自然语言处理 (NLP) 让模型可以通过计算语言学和统计技术处理人类语言。
计算机视觉使用 ML 来教计算机和系统“看”，即从数字图像、视频和其他视觉输入中获取有意义的信息。
使用面向 AI 构建器的新一代企业级开发平台 IBM watsonx.ai，可以训练、验证、调整和部署生成式 AI、基础模型和机器学习功能。使用一小部分数据，即可在很短的时间内构建 AI 应用程序。
借助 IBM 业界领先的人工智能专业知识和解决方案组合，让人工智能在您的业务中发挥作用。
通过增加 AI 重塑关键工作流程和运营，最大限度提升体验、实时决策和商业价值。