机器学习（一）--新加坡国立大学寒假学习项目总结

机器学习（一）
这里我想来分享我上课的一些笔记和心得，我感觉在这个课程中学到了很多，特别是建立起一个机器学习的基本体系和自己去探索的求知欲，接下来我想建立一个学习体系来讲解，这里面补充并且扩展了其他的资料，分几篇博文完成：
1.机器学习概论
2.线性回归
3.K最近邻算法
4.朴素贝叶斯算法
5.决策树与随机森林
6.向量机
7.模型的性能
8.神经网络

1.机器学习是什么
如果是想要了解官方的定义，这里有一个百度词条的提供参考
链接: link.
这里我也有一个小故事来说明。比如说你想要追求一个女孩子，很多时候都会陷入‘异性在想什么’的烦恼。如果用上机器学习就很不一样了。你想加看看的她的朋友圈，发现她喜欢发美食、看书，那么通过把她喜欢的美食和特征（feture)保存电脑上汇聚成数据集（data），用算法（algorithm）建立了一个模型（model,这个模型就预测出了她下次生日的时候想要收到什么书，出去逛街的想吃什么。
用周星弛的一句话说：一切尽在我掌握之中～

2.机器学习的应用
这是一道我们的思考题，列举机器学习在这些领域的详细例子。
零售 时尚 智能家居
银行 教育 社交媒体
医疗保健 电信 运输

我就来个串烧来举例，（智能家居）每天早上你的智能家居根据你智能手环上的数据和往常作息，推测你什么时候会起床，所以提前热好的洗漱的水和烤好面包。（时尚）你起床开始穿衣了，你的衣柜会根据你每天的穿衣风格来为你推荐这个风格最新的style。（社交媒体）你做上了地铁，打开手机刷抖音，软件的后台根据你每天的喜好用算法预测你喜欢的内容并推送给你。（零售）期间你打开某宝，立刻后台就根据你平时的喜好给你推送商品。（银行）你付款的时候钱不够要用某蚁，他会根据你的数据推算出你的最大额度。（运输）你下地铁后离单位还有一段时间，你用滴滴打了台车，这是后台根据每天车平时的到点速度和你的速度给你匹配最快的车。

3.编程语言–这里我推荐python，因为课程都是用这个语言，后期方便讲解。

4.基本概念
有监督学习和无监督学习
**有监督学习：**根据给出的一些特征变量和分类标签，用过算法推出分类的方法，并且用于新的样本中
监督学习的例子：
邮件垃圾邮件过滤
•谷歌照片的面部识别
•指纹识别
•Siri /谷歌助手/ Alexa / Cortana
•Facebook赞助内容
•股票市场预测
•推荐系统?

**无监督学习：**给机器大量的数据不给分类，让它自己在众多数据中找到分类的标准，去除无关的变量。
无监督学习的例子是聚类和降维。

用聚类查找子组
该图说明了如何应用聚类来根据特征x1和x2的相似性将未标记的数据组织成三个不同的组。
例如，集群可以让营销人员根据他们的兴趣发现客户群体，以便开发有针对性的活动。

数据压缩的降维
数据可以是高维的。通常我们可以通过压缩数据而不丢失ML任务所需的相关信息来减少数据维数。这种情况的典型算法是主成分分析(PCA)。

分类和回归
分类机器学习的目标是对样本进行预测和分类，判断样本的属性。
比如说女朋友喜欢的看书就是可以学术书和娱乐书，这就是二元分类；如果她喜欢言情、动漫、论文周刊、时尚杂志就属于多元分类
回归在回归分析中，我们得到了一些预测变量(解释变量)和一个连续响应变量(结果)，我们试图找到这些变量之间的关系，使我们能够预测结果。
比如说女朋友喜欢看动漫书籍的话有多喜欢，一共100分可以打80分

模型的泛化、过拟合与欠拟合
泛化用我们建立好的模型去预测新的数据
过拟合在训练数据集的时候效果好，但是实际测试不行
欠拟合在训练数据集时都不行了
、
参考文献
深入浅出 python机器学习–段小手著
Introduction to Internet ofLearning Machine–Mehul Motani from National University of Singapore