作业1 机器学习概述

1）贴上Python环境及pip list截图，了解一下大家的准备情况。暂不具备开发条件的请说明原因及打算。

图1-1 python环境

 图1-2 pip list

 图1-3 pycharm中类库

 

2）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。

 1.P4 python基础：

（1）需要使用的基本库：

 （2）重心插值：

（3）负二项分布：

2.P1 机器学习概论

（1）机器学习的概念：

（2）机器学习类型及其举例：

 

 （3）机器学习的内涵：

 （4）机器学习的流程：

（5）机器学习方法：

（6）导数：

（7）Taylor公式：

（8）方向导数：

（9）梯度：

（10）γ函数：

（11）凸函数

（12）凸函数举例：

 （13）概率论

 

 

3）什么是机器学习，有哪些分类？结合案例，写出你的理解。

如果计算机程序针对某类任务T的性能（用性能量度P来衡量）能通过经验E来自我改善，则认为关于T和P，程序对E进行了学习。简单来说，机器学习是计算机针对某一任务，从经验中学习，并且能越做越好的过程。一般情况下，“经验”都是以数据的方式存在的，计算机程序从这些数据中学习。学习的关键是模型算法，它可以学习已有的经验数据，用以预测未知数据。

一般将机器学习分为四种类型：监督学习，无监督学习，半监督学习，强化学习

1.监督学习

顾名思义，即为有“监督”的学习；这里的“监督”指的是输入的数据样本均包含一个明确的标签或输出结果；监督学习如同有一个监督员，监督员知道每个输入值对应的输出值是什么，在模型学习的过程中，监督员会时刻进行正确的指导。监督学习输入的数据称为训练数据。训练数据中的每个样本都由一个输入对象（特征）和一个期望的输出值（目标值）组成，监督学习的主要任务是寻找输入值与输出值之间的规律。

例如：预测房屋价格系统，输入值是房屋的面积、房间数量等，输出值是房屋价格。监督学习通过当前数据找出房屋面积、房间数量等输入值与房屋价格之间的内在规律，从而根据新的房屋样本的输入值预测房屋价格。

2.无监督学习

与监督学习相反，即无监督学习输入的数据样本不包含标签，只能在输入数据中找到其内在结构，发现数据中的隐藏模式。在实际应用中，并非所有的数据都是可标注的，有可能因为各种原因无法实现人工标注或标注成本太高，此时便可采用无监督学习。无监督学习最典型的例子是聚类。

3.半监督学习

半监督学习是一种介于监督学习和无监督学习之间的学习方式。半监督学习是训练数据中有少部分样本是被标记的，其他大部分样本并未被标记。半监督学习可以用来进行预测，模型需要先学习数据的内在结构，以便得到更好的预测效果。

4. 强化学习

强化学习是智能体采取不同的动作，通过与环境的交互不断获得奖励指导，从而最终获得最大的奖励。监督学习中数据标记的标签用于检验模型的对错，并不足以在交互的环境中学习。而在强化学习下，交互数据可以直接反馈到模型，模型可以根据需要立即做出调整。强化学习不同于无监督学习，因为无监督学习旨在学习未标记数据间的内在结构，而强化学习的目标是最大化奖励。