机器学习与数据科学
左侧
机器学习 Machine Learning
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能核心，是使计算机具有智能的根本途径。机器学习 - 入门
开发语言 Development language
- Welcome to Python.org
工作环境 Work Environment
- Project Jupyter | Home
- Download Anaconda Distribution | Anaconda
数据分析
- 数值计算
-
NumPy（Numerical Python）是Python的一种开源的数值计算扩展
-
- 数据分析 Data Analysis
- Pandas 教程
- 数据可视化 Data Visualization
- Matplotlib 教程
右侧
数据工程 Data Engineering
数据工程是构建和维护数据基础设施的学科，专注于数据的采集、存储、处理和分析，以支持数据驱动的决策和应用。它是数据科学和机器学习的基础，提供高质量的数据支持。
神经网络 Neural Networks
神经网络是一种模仿人脑神经元结构的计算模型，通过多层节点处理输入数据并提取特征。它是深度学习的核心组成部分，广泛应用于图像识别、自然语言处理等领域。
CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)概念区分理解-腾讯云开发者社区-腾讯云
迁移学习 Transfer Learning
迁移学习是一种机器学习方法，通过将在一个任务上训练好的模型应用于另一个相关任务，从而减少新任务的数据需求和训练时间。它常与深度学习结合，利用预训练模型加速新任务的学习。
深度学习之---迁移学习-CSDN博客
深度学习 Deep learning
深度学习是机器学习的一个分支，基于多层神经网络自动提取数据的复杂特征。它适用于图像、语音、文本等非结构化数据，是当前人工智能的核心技术之一。
深度学习简史（一）-腾讯云开发者社区-腾讯云
时间序列 Time series
时间序列是按时间顺序排列的一组数据，用于分析随时间变化的趋势和模式。时间序列分析广泛应用于经济预测、气象预报等领域，通常使用机器学习或深度学习方法进行建模和预测。
时间序列(time series)系列1—简介 - 简书
监督学习 supervision learning
监督学习是一种机器学习方法，通过标记的训练数据（输入和输出对）训练模型，使其能够预测新数据的输出。它是机器学习的核心方法之一，广泛应用于分类和回归任务。
-
分类 Classification
-
回归 Regression
机器学习：监督学习、无监督学习、半监督学习、强化学习-CSDN博客
Scikit-learn
Scikit-learn（以前称为scikits.learn，也称为sklearn）是针对Python 编程语言的免费软件机器学习库。
Scikit-Learn快速入门-CSDN博客
右侧关系
- 数据工程为神经网络、深度学习和监督学习提供高质量的数据支持。
- 神经网络是深度学习的核心技术，而深度学习是迁移学习的基础。
- 迁移学习利用预训练的深度学习模型加速新任务的学习。
- 时间序列分析可以使用监督学习或深度学习方法进行建模。
- 监督学习是机器学习的基础方法，与深度学习和迁移学习密切相关。
人工智能、机器学习、深度学习和数据科学的关系
