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

你可能感兴趣的:(深度学习之点滴)