机器学习基础

###1、基础学习

• 学习前提

  • 学习过高等数学，例如微积分，线性代数，概率论等，对数学要求较高，但入门时勉强知道基本知识就可以。
  • 有一定的编程基础，接触过python最佳。

• 学习目标

  • 理解机器学习的基本概念
  • 学会对原始数据进行抽象处理
  • 会使用python的机器学习相关库
  • 对常见的算法有个基本认识

• 课程内容

  • 机器学习基本概念
  • 监督学习（分类、回归）
  • 非监督学习

###2、机器学习

• 概念

  • 多领域交叉学科，涉及概率论，极限，统计，凸分析等多门学科，主要研究计算机模拟和实现人类的学习认知行为，使得计算机能自主获得知识或技能，学习也就是计算机自己不断优化和重组自身的过程。

• 学科定位

  • 人工智能（Artificial Intelligence ,AI ）,使计算机具有智能的一种途径，应用遍及各个领域，主要使用归纳综合。
  • 举例: 针对具体经验E (experience) 和一系列的任务 T (tasks) 和一定表现的衡量 P，如果随之经验E的积累，针对定义好的任务T可以提高表现P，就说计算机具有学习能力。例子： 下棋，语音识别，自动驾驶汽车等。

###课程总结

• 监督学习（回归问题）
  • 简单线性回归
  • 多元线性回归
  • 非线性回归
  • 相关系数、R平方值
• 监督学习 （分类问题）
  • 决策树算法
  • KNN算法
  • SVM算法
  • 神经网络算法
• 非监督学习
  • K-means 算法
  • 层次聚类算法