机器学习基础教程笔记---机器学习概述

目录

机器学习概述

1.1 人工智能概述

1.1.1 机器学习与人工智能、深度学习

1.1.2 机器学习、深度学习能做些什么

1.1.3 人工智能阶段课程安排

1.2 什么是机器学习

1.2.1 定义

1.2.2 解释

1.2.3 数据集构成

1.3 机器学习算法分类

学习目标

分析1.2中的例子：

1.3.1 总结

1.3.2 练习

1.3.3 机器学习算法分类

 1.4 机器学习开发流程

 1.5 学习框架和资料介绍

1.5.1 机器学习库与框架

1.5.2 书籍资料

1.5.3 提深内功（但不是必须） 

---

 

机器学习概述

了解机器学习定义以及应用场景
说明机器学习算法监督学习与无监督学习的区别
说明监督学习中的分类、回归特点
说明机器学习算法目标值的两种数据类型
说明机器学习(数据挖掘)的开发流程

1.1 人工智能概述

1.1.1 机器学习与人工智能、深度学习

 

• 机器学习和人工智能，深度学习的关系

  • 机器学习是人工智能的一个实现途径

  • 深度学习是机器学习的一个方法发展而来

 

当前重要的是掌握一些机器学习算法等技巧，从某个业务领域切入解决问题。

• 达特茅斯会议-人工智能的起点

  1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中，

  约翰·麦卡锡（John McCarthy）

  马文·闵斯基（Marvin Minsky，人工智能与认知学专家）

  克劳德·香农（Claude Shannon，信息论的创始人）

  艾伦·纽厄尔（Allen Newell，计算机科学家）

  赫伯特·西蒙（Herbert Simon，诺贝尔经济学奖得主）等科学家正聚在一起，讨论着一个完全不食人间烟火的主题：

  用机器来模仿人类学习以及其他方面的智能。

  会议足足开了两个月的时间，虽然大家没有达成普遍的共识，但是却为会议讨论的内容起了一个名字：

  人工智能

  因此，1956年也就成为了人工智能元年。

• 1.1.2 机器学习、深度学习能做些什么

  机器学习的应用场景非常多，可以说渗透到了各个行业领域当中。医疗、航空、教育、物流、电商等等领域的各种场景。

• 

   

• 用在挖掘、预测领域：

  • 应用场景：店铺销量预测、量化投资、广告推荐、企业客户分类、SQL语句安全检测分类…

• 用在图像领域：

  • 应用场景：街道交通标志检测、人脸识别等等

  •  

    

• 用在自然语言处理领域：

  • 应用场景：文本分类、情感分析、自动聊天、文本检测等等 

     

• 当前重要的是掌握一些机器学习算法等技巧，从某个业务领域切入解决问题。 

• 1.1.3 人工智能阶段课程安排

1.2 什么是机器学习

1.2.1 定义

机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。

1.2.2 解释

• 我们人从大量的日常经验中归纳规律，当面临新的问题的时候，就可以利用以往总结的规律去分析现实状况，采取最佳策略。
• 

 

• 从数据（大量的猫和狗的图片）中自动分析获得模型（辨别猫和狗的规律），从而使机器拥有识别猫和狗的能力。 

• 从数据（房屋的各种信息）中自动分析获得模型（判断房屋价格的规律），从而使机器拥有预测房屋价格的能力。

从历史数据当中获得规律？这些历史数据是怎么的格式？

1.2.3 数据集构成

• 结构：特征值+目标值
• 

1.3 机器学习算法分类

学习目标

• 目标

  • 说明机器学习算法监督学习与无监督学习的区别

  • 说明监督学习中的分类、回归特点

• 应用

  • 无

分析1.2中的例子：

特征值：猫/狗的图片；目标值：猫/狗-类别

• 分类问题

特征值：房屋的各个属性信息；目标值：房屋价格-连续型数据

• 回归问题

• 特征值：人物的各个属性信息；目标值：无
  • 无监督学习

1.3.1 总结

1.3.2 练习

说一下它们具体问题类别：

1、预测明天的气温是多少度？

2、预测明天是阴、晴还是雨？

3、人脸年龄预测？

4、人脸识别？

1.3.3 机器学习算法分类

• 监督学习(supervised learning)（预测）
  • 定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归），或是输出是有限个离散值（称作分类）。
  • 分类 k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
  • 回归 线性回归、岭回归
• 无监督学习(unsupervised learning)
  • 定义：输入数据是由输入特征值所组成。
  • 聚类 k-means

 1.4 机器学习开发流程

• 流程图：

 1.5 学习框架和资料介绍

需明确几点问题：

（1）算法是核心，数据与计算是基础

（2）找准定位

大部分复杂模型的算法设计都是算法工程师在做，而我们

• 分析很多的数据
• 分析具体的业务
• 应用常见的算法
• 特征工程、调参数、优化

 

• 我们应该怎么做？

• 学会分析问题，使用机器学习算法的目的，想要算法完成何种任务

• 掌握算法基本思想，学会对问题用相应的算法解决
• 学会利用库或者框架解决问题

当前重要的是掌握一些机器学习算法等技巧，从某个业务领域切入解决问题。

1.5.1 机器学习库与框架

1.5.2 书籍资料

 

1.5.3 提深内功（但不是必须）