2019-08-19 机器学习简介

一 机器学习概述

1.机器学习是什么：数据驱动，在数据上通过算法总结，应用在数据上。

二 机器学习例子

兴趣推荐，语音助手，AI，面部识别，无人驾驶。

三 机器学习基本概念

1.分类问题（监督）  根据样本特征判定有限类别

2.回归问题 （监督） 根据样本数据抽取的特征 预测连续结果

3.聚类问题 （无监督） 抽取特征值 得到关联

4.强化问题 （无监督）

基本术语和概念：

监督学习：有指导       无监督学习：无指导和参考 

计算机视觉 模式识别 语音识别 自然语言处理 统计学习 数据挖掘

四 机器学习基本流程和工作环节

机器学习是围绕着数据和算法展开的（数据的质量）数据决定了上限  算法逼近了上限

数据驱动方法：数据+机器学习算法= 预测模型

数据预处理 模型学习 模型评估 模型上线

五 机器学习评估指标

1.机器学习目标 ： 泛化能力强

2.留出法 ： 留出测试集（数据一致性 多次随机划分 测试集适中）

3.k折交叉验证 

4.自助法 ：自助采样的方法 有放回的采样

5度量标准：

（1）性能度量  分类-错误率和精度（二分类混淆矩阵）

（2）回归类-均方误差

六 机器学习算法一览

总结：