机器学习1-机器学习概论

一. 机器学习相关书籍推荐

不是书籍不好，而是你还没有到读他的时候。

入门的时候读这些书籍，味同嚼蜡，完全看不懂。
进阶的时候读这些书籍，能看懂一些，但是一看就像打瞌睡。
深入的时候读这些书籍，会发现每一个字都价值千金。

NO.1:

NO.2:

NO.3：

NO.4:

NO5：

二. 机器学习概述

2.1 什么是机器学习

机器学习是挃是一门多领域交叉学科。专门研究计算机或其它软硬件设备怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

应用机器学习技术到产品中，给用户带来“机器具备人类般高智能”的震撼性体验。

人力成本又越来越高，机器学习能降低企业成本，提高投入产出比。

第二次机器革命——以具备人类智能为核心价值的机器占主导地位（第一次机器革命——动力系统革命），对国家软实力具有重要作用。

机器学习是人工智能研究的核心内容。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。

机器学习在数据挖掘里被大量使用，其技术内涵几乎通用，可以看作同一座山峰在不同视角下的侧影。

2.2 机器学习比较活跃的领域

数据分析和数据挖掘：机器学习实现一套工具、方法或程式，从现实世界的海量数据里提炼出有价值的知识，规则和模式。并把该提炼成果应用到前台系统，辅助业务的进行，使其达到更好的效果，例如推荐，辅助决策（沙盘推演，博弈，预测结果），精准辨别，参与服务等，使到业务能产生更大的效益

图像和语音识别：语音输入，OCR，手写输入，通讯监控，车牌识别，指纹识别，虹膜识别，脸像识别

智慧机器，机器人：生产线机器人，人机对话，电脑博弈

2.3 推荐系统

1. 京东的图书推荐
2. 汽车之家的同类汽车推荐
3. 淘宝的同类商品推荐
4. 抖音的视频推荐
5. 今日头条的问题推荐
6. 社交推荐
7. 职位推荐

2.4 贝叶斯分类

相信大家都有听过贝叶斯，只是不知道贝叶斯能做什么。

学过概率论的都知道，贝叶斯公式就是已知结果和部分条件，求剩余条件发生的概率。与我们以往知道条件发生的概率然后推结果的概率不同。

贝叶斯分类应用十分广泛:

垃圾邮件判断原理:

1. 分词
2. 贝叶斯公式和贝叶斯分类器
   

2.5 决策树

给出样本集，学习后输出的产物是一颗决策树

2.6 频繁模式挖掘

数据挖掘经久不衰的案例

2.7 语音识别

2.8 图像识别

1. 指纹、虹膜纹识别
2. 脸像识别
3. 车牌识别
4. 动态图像识别
5. 小波分析

三. 软件

3.1 R

R是统计学中用得最多的软件。

3.2 Python

Python人工智能领域常用的包:

1. NumPy 矩阵计算
2. SciPy 封装了诸多算法
3. Matplotlib 画图

3.3 Weka

WEKA=Waikato Environment for Knowledge Analysis
免费的，非商业化的，基于JAVA环境下开源的机器学习以及数据挖掘软件。
Weka的主要开发者来自新西兰的Waikato大学。
官网：http://www.cs.waikato.ac.nz/ml/weka/
Petaho：http://community.pentaho.com/projects/data-mining/

3.4 Matlab

Matlab = matrix+laboratory，是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。

MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算斱面首屈一挃。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理不通讯、图像处理、信号检测、金融建模设计不分析等领域。

具有功能完备强大的神经网络包

参考:

1. http://www.dataguru.cn/article-4063-1.html