@[toc]
AI 是如何进行数据训练的
数据训练分几个阶段
1、数据预处理阶段
主要是对数据进行预处理，包含数据清洗、数据归一化、特征提取
2、模型构建阶段
3、设定损失函数
4、反向传播算法
5、模型评估、优化
数据归一化：把数据在多个维度的度量，统一为一个相同的度量区间，以平衡它们之间的影响因素。例如把 0-1000 区间的面积特征和 0 - 10000000 之间的
价格特征都归一为 0-1 区间，或者归一到 0±1 区间
监督学习
监督学习是一种通过提供输入和输出对来训练模型的机器学习方法。在监督学习中，我们会为模型提供一组已知的输入和输出数据（标签），模型通过学习这些数据
来预测未知数据的输出结果。常见的监督学习算法包括决策树、神经网络、支持向量机等。
无监督学习
无监督学习是一种在没有标签的情况下训练模型的机器学习方法。在无监督学习中，模型需要自己找出数据中的模式和结构，而不是通过标签进行指导。常见的无监
督学习算法包括聚类、降维、关联规则挖掘等。
半监督学习
半监督学习是介于监督学习和无监督学习之间的一种机器学习方法。在半监督学习中，模型的训练数据包括一部分带标签的数据和一部分不带标签的数据。模型通过
学习带标签数据来预测未知数据的输出结果，并尝试利用未标记数据的结构信息来提高模型的性能。常见的半监督学习算法包括标签传播、深度置信网络等。
