【1】机器学习笔记——人工智能概述

1.1 概述

1.1.1 人工智能概述

• 机器学习元年：1956年 达特茅斯会议
• 机器学习是人工智能的实现途径
• 深度学习是机器学习的一个方法发展而来的
  

1.1.2 机器学习、深度学习能做什么

• 传统预测
• 图像识别
• 自然语言处理
  

1.1.3 学习规划

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 数据集的构成

• 特征值 + 目标值
  

1.3 机器学习算法分类

1.3.1 监督学习与无监督学习

根据是否有目标值判断是否为监督学习

• 监督学习
  • 目标值：类别 ——分类问题
    • 分类k-近邻算法、贝叶斯算法、决策树与随机森林、逻辑回归
  • 目标值：连续的数据是——回归问题
    • 线性回归、岭回归
• 无监督学习
  • 目标值：无——无监督学习
    • k - means
      
      回归、分类、回归/分类、分类

1.4 机器学习开发流程

1. 获取数据
2. 数据处理
3. 特征工程
4. 机器学习算法进行训练
5. 模型评估
6. 应用
   

1.5 学习框架

1. 算法是核心，数据和计算是基础
2. 找准定位
3. 大部分复杂的算法设计都是算法工程师在做，而我们能做的
   • 分析大数据
   • 分析具体的业务
   • 应用常见的算法
   • 特征工程、调参数、优化
4. 需要掌握的知识

• 概率论与数理统计
• 高等数学
• 线性代数
• 统计学习方法
  

5. 机器学习库
   
6. 应用知识
   
7. 速成方法

• 入门课程（各大学习网站）
• 实战类书籍
• 研究理论
  • 机器学习——周志华（西瓜书）
  • 统计学习方法——李航
  • 深度学习——花书