【传统机器学习算法—笔记】-预备知识

版权声明：如果对大家有帮助，大家可以自行转载的。原文链接：传送门

1.机器学习与人工智能、深度学习的关系

人工智能：让机器拥有人类智慧；百度百科定义
机器学习：在计算机中设计模型，再将已知的数据（经验）喂入以此来训练模型，以达到用此模型来预测未来；百度百科定义
深度学习：机器学习的一个分支，更靠近人工智能。百度百科定义

2.机器学习的范围

数据挖掘、模式及识别、计算机视觉、语音识别、自然语言处理、统计学等

3.机器学习可以解决的问题

给定数据的预测问题：

• 数据清洗/特征选择
• 确定算法模型/参数优化
• 结果预测

不能解决什么：

• 大数据存储/并行计算
• 做一个机器人

4.机器学习的分类

几十年来，研究发表的机器学习的方法种类很多，分类也有很多，这里按照学习方式进行分类，具体可见百度百科。

监督学习：数据样本有标记，就像是有以为有经验的老师带着学习；
无监督学习：数据样本没有标记，全靠自己摸索学习；
强化学习：智能体在与环境交互的过程中学习，以此回报最大化或实现某一目标。
其他算法的详解在我学习之后，将在这里放置超链接，方便阅读。

5.机器学习要求的数学基础

高等数学：导数，微分，泰勒公式等；
线性代数：向量，矩阵，行列式，秩，线性方程组，特征值和特征向量等；
概率论与数理统计：随机事件和概率，概率的基本性质和公式、常见分布、期望、协方差等。
数学部分不要求全会，等涉及到这部分知识的时候回去看也可以。要相信人类的遗忘比学习快。

6.机器学习要求的Python基础

Python环境：Anaconda、Jupyter notebook、Pycharm、Notepad++等；
Python基础：数据类型、列表、元组、集合、字典、顺序结构、分支结构、循环结构、break、continue、pass、列表生成式、函数、numpy、pandas、scipy、matplotlib、scikit-learn。
我想大家和我一样，这部分都是学了忘，忘了学。和前边数学基础一样，不要求全会，用的时候回头看，这样效率高点。

7.机器学习的一般步骤

1. 数据收集：开放数据库，项目，网络爬虫，自己收集等
2. 数据清洗
3. 特征工程
4. 数据建模