机器学习概述与算法介绍

1. 机器学习概述
2. 机器学习基本概念
3. 机器学习基本流程与工作环节
4. 机器学习中的评估指标
5. 机器学习算法一览

机器学习概述

---

机器学习是什么

人工智能的一个重要学科分支多领域交叉学科。 数据驱动，在数据上通过算法总，结规律模式，应用在新数据上。

image

image

机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。 就是计算机从数据中学习出规律和模式，以应用在新数据上做预测的任务

image

互联网时代

巨大的数据量

超高的数据维度

image

机器学习几个例子

image

image

image

• 几乎无处不在

生物信息学

生物信息学

智能医疗

智能医疗

电商推荐

电商推荐

决策助手(DARPA)

决策助手(DARPA)

Web搜索

Web搜索

无人驾驶汽车

无人驾驶汽车

要点总结

• 机器学习：计算机从数据中学习出规律和模式，以应用在新数据上做 预测的任务。
• 作为一套数据驱动的方法，在互联网、生物、医疗、金融、能源、交 通等等领域有广泛应用。

image

机器学习基本概念

---

不同类型的问题

不同类型的问题

1. 聚类

   • 机器学习基础

   • 聚类算法原理及应用

2. 分类

   • 监督学习算法

   • 分类算法原理及应用

3. 回归

   • 回归分析与预测

   • 回归算法原理及应用

4. 强化学习

   • *AlphaGo 背后的算法

   • *深度学习实战项目

分类问题（监督学习）：

• 根据数据样本上抽取出的特征，判定其属于有限个类别中的哪一个
• 垃圾邮件识别（结果类别：1、垃圾邮件 2、正常邮件）
• 文本情感褒贬分析（结果类别：1、褒 2、贬）
• 图像内容识别识别（结果类别：1、喵星人 2、汪星人 3、人类 4、草泥马 5、都不是）

基本术语与概念

分类问题（监督学习）

回归问题（监督学习）：

• 根据数据样本上抽取出的特征，预测连续值结果
• 《芳华》票房值
• 魔都房价具体值
• 刘德华和吴彦祖的具体颜值得分

回归问题（监督学习）

聚类问题(无监督学习)

• 聚类问题(无监督学习)：
• 根据数据样本上抽取出的特征，挖掘数据的关联模式
• 相似用户挖掘/社区发现
• 新闻聚类

聚类问题(无监督学习)

强化问题：

• 研究如何基于环境而行动，以取得最大化的预期利益
• 游戏(“吃鸡”)最高得分
• 机器人完成任务

强化问题

基本术语与概念

• 无监督学习 (unsupervised learning)
• 监督学习 (supervised learning)

基本术语与概念

数据

• 数据集; 训练, 测试
• 示例(instance),样例(example)
• 样本(sample)
• 属性(attribute),特征(feature);属性值
• 属性空间,样本空间,输入空间
• 特征向量(feature vector)
• 标记空间,输出空间

算法

• 假设(hypothesis)
• 真相(ground-truth)
• 学习器(learner)

模型

• 分类,回归
• 二分类,多分类
• 正类,反类

类别标记

• 未见样本(unseen instance)
• 未知“分布”
• 独立同分布(i.i.d.)
• 泛化(generalization)

案例 From 周志华《机器学习》

实际应用场景

实际应用场景

要点总结

• 机器学习分类

  • 监督学习：特征+标签
    • 分类：离散个结果中做选择
    • 回归：输出连续值结果
  • 无监督学习：特征
    • 聚类：抱团学习
    • 关联规则
  • 强化学习：从环境到行为映射的学习

• 机器学习概念

  • 样本/示例/样例、特征/属性、训练集、 测试集

• 机器学习工业应用方向

  • 自然语言处理、计算机视觉、电商推 荐与预估…

AI开发日志 电子书: https://iosdevlog.gitbooks.io/aidevlog

扫码关注

• 微信公众号：AIDevLog
• 

  AIDevLog

(未完等续)