python机器学习记录

PS：初遇机器学习，自己的一点笔记，对机器学习还有很多不是特别清楚的地方，以后来补

中国mooc北京理工大学礼欣老师讲的python机器学习真的很适合入门，主要讲了无监督学习，监督学习和深度学习。

无监督学习主要是聚类和降类

聚类：根据数据的相似性，将数据分类的过程
常用的聚类算法有K-Means,DBSCAN

降维：在保证数据具有代表性或分布的情况下，高维数据变成低维数据

监督学习：利用一组带标签的数据，学习输入到输出的映射，将映射关系应用到未知数据，达到分类/回归的目的

常用的分类算法有KMN，朴素贝叶斯，决策树

回归：主要用于时序信息数据的预测
线性回归：普通线性回归，岭回归，lasso

非线性回归：利用sklearn.preprocessing模块生成原始数据的非线性特征，调用线性回归模型将非线性按线性进行拟合实现

强化学习
马尔可夫决策过程（MDF）
蒙特卡洛强化学习（不依赖于环境建模）：多次采样，求取平均累计奖赏作为期望，累计奖赏的近似。不足：需采样一个完整轨迹，更新值函数，效率较低
Q-learning：动态规划与蒙特卡洛方法思想，学习更加高效

深度强化学习：
传统强化学习：状态数目过多，求解困难
深度强化学习：将深度学习和强化学习结合在一起

Deep Q Network（DQN）
神经网络与Q-learning结合