【无标题】

机器学习1

提示:适合初学者使用


提示:写完文章后,记得点点关注,持续更新机器学习系列

文章目录

  • 机器学习1
  • 一、机器学习、人工智能、深度学习是什么关系?
  • 二、什么是机器学习?
  • 2.2 机器学习的原理
  • 三、监督学习、非监督学习、强化学习
    • 3.1 监督学习
    • 3.2 非监督学习
    • 3.3 强化学习
  • 四、机器学习实操的7个步骤
  • 五、16种经典机器学习算法


一、机器学习、人工智能、深度学习是什么关系?

概念:机器学习研究和构建的是一种特殊算法(而非某一个特定的算法),能够让计算机自己在数据中
学习从而进行预测。所以,机器学习不是某种具体的算法,而是很多算法的统称。比如说:股票数据,
年份的GDP数据,从这些数据中去学习,学习这些数据的规律,然后使用这个规律去预测未来(例如未
来十天股票的价格)
机器学习包含了很多种不同的算法,深度学习就是其中之一,其他方法包括决策树,聚类,贝叶斯等。
深度学习的灵感来自大脑的结构和功能,即许多神经元的互连。人工神经网络(ANN)是模拟大脑生物
结构的算法。目前非常流行的有CNN,BP神经网络等。
不管是机器学习还是深度学习,都属于人工智能(AI)的范畴。所以人工智能、机器学习、深度学习可
以用下面的图来表示

二、什么是机器学习?

机器学习的基本思路:

  • 把现实生活中的问题抽象成数学模型,并且很清楚模型中不同参数的作用
  • 利用数学方法对这个数学模型进行求解,从而解决现实生活中的问题
  • 评估这个数学模型,是否真正的解决了现实生活中的问题,解决的如何?

2.2 机器学习的原理

下面以监督学习为例,给大家讲解一下机器学习的实现原理。假如我们正在教小朋友识字(一、二、
三)。我们首先会拿出3张卡片,然后便让小朋友看卡片,一边说“一条横线的是一、两条横线的是二、
三条横线的是三”。
不断重复上面的过程,小朋友的大脑就在不停的学习:
当重复的次数足够多时,小朋友就学会了一个新技能——认识汉字:一、二、三:
我们用上面人类的学习过程来类比机器学习。机器学习跟上面提到的人类学习过程很相似。

  • 上面提到的认字的卡片在机器学习中叫——训练集

  • 上面提到的“一条横线,两条横线”这种区分不同汉字的属性叫——特征。再比如说:人的眼睛、嘴
    巴也是不同的特征;男生有胡子,女生没有。

  • 小朋友不断学习的过程叫——建模

  • 学会了识字后总结出来的规律叫——模型

  • 当小朋友学会后,我们再给小朋友去识别一些新的卡片,这些卡片叫——测试集

通过训练集,不断识别特征,不断建模,最后形成有效的模型,这个过程就叫“机器学习”!

三、监督学习、非监督学习、强化学习

3.1 监督学习

监督学习是指我们给算法一个数据集,并且给定正确答案。机器通过数据来学习正确答案的计算方法。
举个例子:我们准备了一大堆猫和狗的照片,我们想让机器学会如何识别猫和狗。当我们使用监督学习
的时候,我们需要给这些照片打上标签。
我们给照片打的标签就是“正确答案”,机器通过大量学习,就可以学会在新照片中认出猫和狗。
这种通过大量人工打标签来帮助机器学习的方式就是监督学习。这种学习方式效果非常好,但是成本也
非常高。

3.2 非监督学习

非监督学习中,给定的数据集没有“正确答案”,所有的数据都是一样的。无监督学习的任务是从给定的
数据集中,挖掘出潜在的结构。
举个例子:我们把一堆猫和狗的照片给机器,不给这些照片打任何标签,但是我们希望机器能够将这些
照片分分类:
通过学习,机器会把这些照片分为2类,一类都是猫的照片,一类都是狗的照片。虽然跟上面的监督学习
看上去结果差不多,但是有着本质的差别:非监督学习中,虽然照片分为了猫和狗,但是机器并不知道
哪个是猫,哪个是狗。对于机器来说,相当于分成了 A、B 两类。

3.3 强化学习

强化学习是机器学习的一种学习方式,它跟监督学习、无监督学习是对应的.强化学习更接近生物学习的
本质,因此有望获得更高的智能。它关注的是智能体如何在环境中采取一系列行为,从而获得最大的累
积回报。通过强化学习,一个智能体应该知道在什么状态下应该采取什么行为。
最典型的场景就是打游戏。2019年1月25日,AlphaStar(Google 研发的人工智能程序,采用了强化学
习的训练方式) 完虐星际争霸的职业选手职业选手“TLO”和“MANA”。还有比如王者荣耀里面的人机,很
多大型游戏里面的人机也是强化学习,

四、机器学习实操的7个步骤

机器学习在实际操作层面一共分为7步:

  1. 收集数据
  2. 数据准备(数据处理整洁)
  3. 选择一个模型(也可叫做算法)
  4. 训练
  5. 评估(准确率之类的指标)
  6. 参数调整
  7. 预测(开始使用)
    假设我们的任务是通过酒精度和颜色来区分红酒和啤酒,下面详细介绍一下机器学习中每一个步骤是如
    何工作的。
    步骤1:收集数据
    我们在超市买来一堆不同种类的啤酒和红酒,然后再买来测量颜色的光谱仪和用于测量酒精度的设备。
    这个时候,我们把买来的所有酒都标记出他的颜色和酒精度,会形成下面这张表格。

这一步非常重要,因为数据的数量和质量直接决定了预测模型的好坏。
步骤2:数据准备
在这个例子中,我们的数据是很工整的,但是在实际情况中,我们收集到的数据会有很多问题,所以会
涉及到数据清洗等工作。
当数据本身没有什么问题后,我们将数据分成3个部分:训练集(60%)、验证集(20%)、测试集
(20%),用于后面的验证和评估工作。
步骤3:选择一个模型
研究人员和数据科学家多年来创造了许多模型。有些非常适合图像数据,有些非常适合于序列(如文本
或音乐),有些用于数字数据,有些用于基于文本的数据。
在我们的例子中,由于我们只有2个特征,颜色和酒精度,我们可以使用一个小的线性模型,这是一个相
当简单的模型。
步骤4:训练
大部分人都认为这个是最重要的部分,其实并非如此~ 数据数量和质量、还有模型的选择比训练本身重
要更多(训练知识台上的3分钟,更重要的是台下的10年功)。
这个过程就不需要人来参与的,机器独立就可以完成,整个过程就好像是在做算术题。因为机器学习的
本质就是将问题转化为数学问题,然后解答数学题的过程。
步骤5:评估
一旦训练完成,就可以评估模型是否有用。这是我们之前预留的验证集和测试集发挥作用的地方。评估
的指标主要有 准确率、召回率、F值。
这个过程可以让我们看到模型如何对尚未看到的数是如何做预测的。这意味着代表模型在现实世界中的
表现。
步骤6:参数调整
完成评估后,您可能希望了解是否可以以任何方式进一步改进训练。我们可以通过调整参数来做到这一
点。当我们进行训练时,我们隐含地假设了一些参数,我们可以通过认为的调整这些参数让模型表现的
更出色。注意:调整好模型参数后,需要从新训练,再重新评估。
步骤7:预测
我们上面的6个步骤都是为了这一步来服务的。这也是机器学习的价值。这个时候,当我们买来一瓶新的
酒,只要告诉机器他的颜色和酒精度,他就会告诉你,这时啤酒还是红酒了。

五、16种经典机器学习算法

线性回归 监督学习
逻辑回归 监督学习
线性判别分析 监督学习
决策树 监督学习
朴素贝叶斯 监督学习
K邻近(KNN) 监督学习
学习向量量化 监督学习
支持向量机 监督学习
随机森林 监督学习
AdaBoost 监督学习
高斯混合模型 非监督学习
限制波尔兹曼机 非监督学习
K-means 聚类 非监督学习
最大期望算法 非监督学习
主成成分分析算法 非监督学习
以上是常见的一些算法,希望读者学会,无论你是想要从事机器学习/数据分析的工作,还是学生期间的
数学建模类竞赛,这都是必备的一块知识。
比如说打的数学建模竞赛,几乎每一场比赛都会用到机器学习的知识,当然包括数据分析,首先对数据
分析、清晰,然后再用到机器学习的算法。
本节课主要为概念,理解为主,没有复杂的数学公式,让任何读者都能明白这些概念。后期实际操做
中,我们用到什么数学公式、指标之类的,再做具体的讲解。以实战中领悟机器学习的算法使用。


加入我,让我们一起进步吧

你可能感兴趣的:(数学建模,机器学习算法,人工智能,python)