220516_214100-机器学习复习总结-01_机器学习介绍

01_机器学习介绍

1. 概述

本文主要是了解机器学习的一些相关概念，并且明确机器学习的相关技术和相关流程。

1.1 什么是机器学习

机器学习是一门能够让编程计算机从数据中学习的计算机科学。
一个计算机程序在完成任务T之后，获得经验E，其表现效果为P，如果任务T的性能表现，也就是用以衡量的P，随着E增加而增加，那么这样计算机程序就被称为机器学习系统。是一个自我完善，自我增进，自我适应的学习系统。

1.2 机器学习相关概念

机器学习(Machine learning，简称ML)：通过分析和计算数据来归纳出数据中普遍规律，从而改善系统性能，让机器拥有“学习”的能力。

深度学习(Deep Learning，简称DL)：是深度学习的一个领域分支，通过复杂的人工神经网络，对更复杂的数据进行训练（包括图片、语音、文字等非结构化数据）。

人工智能(Artificial Intelligence，简称AI)：这是机器学习最初的目标，希望机器通过机器学习模型，在训练过程中优化算法，从而获得稳定准确的输出。

模型(model)：需要学习的决策函数或者条件概率分布。

算法(algorithm)：不同于传统的数据结构与算法，也不是平常所指的机器学习算法（实际上指的是模型），机器学习中的算法指的是最优化方法，如随机梯度下降法(Stochastic Gradient Descent，简称SGD)，牛顿法、拟牛顿法等。

数据集(data set)：在机器学习模型中，需要使用到的相关数据，包括特征（自变量，是影响输出的相关因素）以及标签（特征对应的结果，可能是连续值，也可能是离散值）

训练集(train set)：用于学习模型训练的数据集

测试集(test set)：用于验证模型在未知数据上的效果（有别于验证集(validation set)）

过拟合(over-fitting)：模型对已知数据预测效果很好但对未知数据预测效果很差

1.3 机器学习的种类

可以类比参考学习和试题有无答案的关系

1. 有监督学习（supervised learning）：用已知输出评估模型的性能。需要大量的 training data，通过数据告诉我们要找的的输入和输出之间的关系。
2. 无监督学习（unsupervised learning）：在没有已知输出的情况下，仅仅根据输入信息的相关性，进行类别的划分。
3. 半监督学习（semi-supervised learning）：先通过无监督学习划分类别，再根据人工标记通过有监督学习预测输出。少量的具有label的数据和大量unlabeled 的数据
4. 强化学习（reinforcement learning）：通过对不同决策结果的奖励和惩罚，使机器学习系统在经过足够长时间的训练以后，越来越倾向于给出接近期望结果的输出。

批量学习和增量学习

1. 批量学习：将学习的过程和应用的过程截然分开，用全部的训练数据训练模型，然后再在应用场景中实现预测，当预测结果不够理想时，重新回到学习过程，如此循环。
2. 增量学习：将学习的过程和应用的过程统一起来，在应用的同时以增量的方式，不断学习新的内容，边训练边预测。

1.4 机器学习的一般过程

1.4.1 需求分析

• 明确机器学习目标
• 输入输出
• 任务类型
• 关键性能指标

1.4.2 数据预处理

• 数据采集（数据库 mysql hadoop、数据挖掘、爬虫、购买、公开数据集）
• 数据清洗（pandas numpy）
• 数据分析/可视化（EDA探索性数据分析 缺失值&异常值处理）

1.4.2 机器学习/深度学习

• 选择模型 （算法种类）
• 训练模型 （算法 调参 特征工程 sklearn等包）
• 测试模型 （调优）
• 评估模型 （评估方法、算法知识）

1.4.3 业务运维

• 应用模型（部署上线）
• 维护模型（收集反馈，迭代优化）

1.5 机器学习过程中的问题

1.5.1 建模问题

所谓机器学习，在形式上可这样理解：在数据对象中通过统计或推理的方法，寻找一个接受特定输入X，并给出预期输出Y的功能函数f，即Y=f(X)。

1.5.2 评估问题

针对已知的输入，函数给出的输出(预测值)与实际输出(目标值)之间存在一定的误差，因此需要构建一个评估体系，根据误差的大小判定函数的优劣。

1.5.3 优化问题

学习的核心在于改善性能，通过数据对算法的反复锤炼，不断提升函数预测的准确性，直至获得能够满足实际需求的最优解，这个过程就是机器学习。

1.6 机器学习解决的问题

1. 回归问题：根据已知的输入和输出寻找某种性能最佳的模型，将未知输出的输入代入模型，得到连续的输出（数值）
2. 分类问题：根据已知的输入和输出寻找某种性能最佳的模型，将未知输出的输入代入模型，得到离散的输出（概率）
3. 聚类问题：根据已知输入的相似程度，将其划分为不同的群落。
4. 降维问题：在性能损失尽可能小的前提下，降低数据的复杂度。

1.7 机器学习的典型应用

股价预测、推荐引擎、自然语言识别、语音识别、图像识别、人脸识别