1樓：知98723守衣
核心都是規則，最終目標都是答案，能用傳統程式設計方式模擬的規則都是一些簡單的規則，而機器學習提供了一種**複雜規則得途徑。
2樓：回憶
機器的話，可以大量的生產編織類的東西，適合一些工廠和大公司的運作，手工的話更偏向於精細和生動，適合少量的製作。
3樓：求註冊
這個我就不懂了，可能他們會有關係，可能不會有聯絡啊，等等的，計算實習跟傳統的程式設計可能會一樣都是機器。
4樓：奈驚亮
傳統程式設計是學習機器學習的基礎之一，你只有學好了傳統程式設計再繼續學習機器學習的時候才不會那麼費力。
5樓：匿名使用者
兩者可以說是相輔相成，機器學習是傳統程式設計的一個基礎，只有瞭解了機器才能更好的進行程式設計設計。
6樓：尓康
我覺得機器學習和傳統程式設計之間有很大的聯絡，其實在很多地方這些機器學習，我覺得是更重要的。
7樓：阿舞子
機器學習只需要提供樣本，可以在短時間內獲得可靠的程式，縮短了時間了，還可以自定義產品。
8樓：退三省智者神乎
我覺得傳統程式設計，手工比較多一點嘛，個人更加仔細，就沒有那麼多的錯誤可以出現。
9樓：匿名使用者
機器學習只是特定領域的一種解決方案。而現實中的解決方案大部分還是由傳統程式設計解決的。
10樓：匿名使用者
機器學習比傳統變成更為方便，直接有模板，而且時間上也比傳統程式設計節約了很多。
什麼是機器學習
11樓：匿名使用者
機器學習是指機器通過統計學演算法，對大量歷史資料進行學習，進而利用生成的經驗模型指導業務。
它是一門多領域交叉學科，專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。
金融類場景：貸款發放**、金融風險控制、**走勢**或******。社交網路服務關係挖掘場景：
微博粉絲領袖分析或社交關係鏈分析。
文字類場景：新聞分類、關鍵詞提取、文章摘要或文字內容分析。非結構化資料處理場景：**分類或**文字內容提取。其它各類**場景：降雨**或足球比賽結果**。
機器學習的核心是「使用演算法解析資料，從中學習，然後對新資料做出決定或**」。也就是說計算機利用以獲取的資料得出某一模型，然後利用此模型進行**的一種方法，這個過程跟人的學習過程有些類似，比如人獲取一定的經驗，可以對新問題進行**。
什麼是機器學習？
12樓：寶我想去看看
機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。
專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。
它是人工智慧核心，是使計算機具有智慧的根本途徑。
機器學習實際上已經存在了幾十年或者也可以認為存在了幾個世紀。追溯到17世紀，貝葉斯、拉普拉斯關於最小二乘法的推導和馬爾可夫鏈，這些構成了機器學習廣泛使用的工具和基礎。
2023年（艾倫。圖靈提議建立一個學習機器）到2023年初（有深度學習的實際應用以及最近的進展，比如2023年的alexnet），機器學習有了很大的進展。
從20世紀50年代研究機器學習以來，不同時期的研究途徑和目標並不相同，可以劃分為四個階段。
第一階段是20世紀50年代中葉到60年代中葉，這個時期主要研究「有無知識的學習」。這類方法主要是研究系統的執行能力。
這個時期，主要通過對機器的環境及其相應效能引數的改變來檢測系統所反饋的資料，就好比給系統一個程式，通過改變它們的自由空間作用，系統將會受到程式的影響而改變自身的組織，最後這個系統將會選擇一個最優的環境生存。
在這個時期最具有代表性的研究就是samuet的下棋程式。但這種機器學習的方法還遠遠不能滿足人類的需要。
什麼是機器學習？
13樓：匿名使用者
通俗理解機器學習：機器從資料中學習，進而得到一個更加符合現實規律的模型，通過對模型的使用使得機器比以往表現的更好。
舉個例子：中學階段，學生通過做大量的練習題，為的就是在高考解決問題。高考的題目一般來說是之前肯定沒有遇到過的（無原題），但是這並不意味著這些題目我們無法解決。通過對之前所做過的練習題的分析，找到解題方法，同樣可以解決陌生的題目，這就是人類的學習。
機器學習就是模擬人類學習的過程。
機器學習其實就是將這一套方式運用到機器上，利用一些已知的資料（平時的練習題）來訓練機器（做，讓機器自己分析這些資料，並找到內在聯絡（學習解題方法），構建模型，從而對未知的資料（高考題）進行**判定等。
關於機器學習一些演算法 可以關注 機器學習學習筆記。
14樓：匿名使用者
機器學習原來這麼有趣--用機器學習製作超級馬里奧的關卡。
參考這個。
什麼是機器學習？
15樓：pivot中樞留學
機器學習。是使機器有能力通過大量資料訓練模型來進行**。機器學習主要分為以下三類：
1) 監督學習和半監督學習。
2) 無監督學習。
3) 強化學習。
機器學習的過程通常包括。
1) 收集資料。
2) 過濾資料。
3) 分析資料。
4) 訓練模型。
5) 測試模型。
6) 使用得到的模型進行**。
作為機器學習的一部分，深度學習。
也同樣包括同樣的過程。
16樓：教育達人希希
您好，很高興為您服務，我是希希知道資深解答家，累計服務3000人，能幫您很好的解答問題。這邊打字需要時間，請您稍等一下哦~
您好，我們把討論的範圍限定在最常見的有監督學習的框架內，所謂的機器學習模型，本質上是一個函式，其作用是實現從一個樣本 [公式] 到樣本的標記值 [公式] 的對映，即 [公式]
當然這樣說太籠統了，事實上機器學習模型需要在給定樣本集合 [公式] 以及其對應標籤 [公式] 的情況下，用假設已知的函式形式 [公式] ,儘可能擬合客觀存在的對映函式 [公式] ，並且保證 [公式] 在未知同分布樣本上具有儘可能相近的擬合能力。
線性模型是最簡單的，也是最基本的機器學習模型。其數學形式如下：g(x;w)=wtx。
有時，我們還會在wtx的基礎上額外加入一個偏置項b，不過只要把x擴充套件出一維常數分量，就可以把帶偏置項的線性函式歸併到wtx的形式之中。線性模型非常簡單明瞭，引數的每一維對應了相應特徵維度的重要性。但是很顯然，線性模型也存在一定的侷限性。
希望我的對您有所幫助~祝您天天開心快樂~[鮮花]
機器學習為什麼會使用梯度下降法機器學習吳恩達為什麼線性迴歸和邏輯迴歸的梯度下降演算法一樣
梯度下降法是一個最優化演算法，通常也稱為最速下降法。最速下降法是求解無約束優化問題最簡單和最古老的方法之一，雖然現在已經不具有實用性，但是許多有效演算法都是以它為基礎進行改進和修正而得到的。最速下降法是用負梯度方向為搜尋方向的，最速下降法越接近目標值，步長越小，前進越慢。梯度下降法可以用於求解非線性...
機器學習該怎麼入門，機器學習真的很難入門嗎
可以先了解下人工智慧，資料探勘。網易公開課上有機器學習大牛吳恩達的公開課，這是機器學習公認的最好資料。推薦一本書 機器學習實戰 邊學邊動手。機器學習真的很難入門嗎?機器學習不難入門。機器學習裡有很多演算法，最少你得有程式設計的基礎吧。當然入門講解的一些演算法還是非常易懂的。這裡推薦mooc上的兩門課程，一門...
深度學習是什麼，AI人工智慧，機器學習和深度學習之間有什麼區別
先說人工 抄智慧ai，人工智慧襲是一個綜合學科，以模擬人類第智慧行為為目標，集合一系列已有理論的學科。路線沒有固定 目前人工智慧最佳實踐路徑是機器學習方法 機器學習方法是通過資料來調優模型，達到解決問題第精度，這就等價於模擬人解決問題了。深度學習是機器學習裡面第一個方向，深度學習以神經網路為模型，目...