[Amazon]人工智能入门学习笔记---AI-机器学习-深度学习

⬜⬜⬜  (*^▽^*)欢迎光临 ⬜⬜⬜

✏️write in front✏️
个人主页：陈丹宇jmu
欢迎各位→点赞 + 收藏⭐️ + 留言​
联系作者by QQ：813942269
致亲爱的读者：很高兴你能看到我的文章，希望我的文章可以帮助到你，祝万事顺意️‍
✉️少年不惧岁月长，彼方尚有荣光在 

---

⬜⬜⬜ --- ---⬜⬜⬜

---

 笔记目录

---

本篇主要内容

一. Overview(机器学习)

⏳1.1. 机器学习的综述

⏳1.2. 机器学习的应用

⏳1.3. 机器学习的使用场景 

 二. 机器学习的概念(详细)

⏳2.1. 机器学习系统

⏳2.2. 机器学习的范畴 

2.2.1. 监督学习(Supervised)

2.2.2. 非监督学习(Unsupervised)

2.2.3. 强化学习(Reinforcement)

三. 机器学习与智能应用范畴

⏳3.1. 机器学习智能应用

⏳3.1. 机器学习智能应用的挑战

四. 亚马逊机器学习框架

⏳4.1.  Amazon EMR

⏳4.2.  Amazon 机器学习

⏳4.3. ML训练模型

五. 亚马逊机器学习案例分析

写在最后

---

本篇主要内容

---

翻译成中文本篇学完所掌握的内容为：

1. Overview：                                                        有关于机器学习知识复习

2. Use Cases:                                                        机器学习有关案例分析

3. Key Concepts:                                                   了解机器学习的关键概念

4. Machine Learning and Smart Applications：     机器学习与智能应用范畴

5. Amazon Machine Larning：                               亚马逊机器学习的框架

6. Case Study：                                                     机器学习的案例分析

开始本次内容学习，我们将讨论数据如何发挥重要作用，概述之后，我们将讨论一种构建智能应用程序的创新方法，并介绍几个使用案例，然后我们将讨论可用于机器学习应用程序的亚马逊云科技框架和服务。

一. Overview(机器学习)

---

⏳1.1. 机器学习的综述

 机器学习是人工智能的一个子集，它可以帮助您使用历史数据做出更好的业务决测。

       机器学习也是机器获取数据分析数据，以生成预测并使用这些预测来做出决策的过程，这些预测可生成结果，这些结果将用于改进未来的预测。

⏳1.2. 机器学习的应用

       机器学习可以从庞大的数据集中进行预测，它还可以优化使用程序函数，并通过对数据进行分类，从这些数据集中提取隐藏的模式和结构，这使软件程序能够学习，并在未来做出预测。

机器学习使您能够使用从点击流、购买和喜欢等方面收集的数据，建立一个改进循环。

⏳1.3. 机器学习的使用场景 

机器学习可以多种方式用于很多行业，例如它可用于检测欺诈交易过滤垃圾邮件标记、可疑评论等，您首先通过挖掘大量数据来识别信用卡交易中的模式，借助这些模式，您可以训练机器学习模型来标记欺诈交易，它还可用于通过建议内容和预测内容加载为用户个性化内容；

 

机器学习可用于定向市场营销，将客户与他们可能喜欢的产品进行匹配，选择市场营销活动以及交叉销售或追加销售商品；

机器学习还可以用于通过学习理解书面内容来自动化文档分类，例如将招聘经理与简历匹配，它可用于客户服务，以根据内容和发件人提供客户电子邮件的预测路由以及社交媒体聆听功能。

 

 二. 机器学习的概念(详细)

---

⏳2.1. 机器学习系统

机器学习系统可发现数据中的隐藏模式，并使用这些模式来预测未来的模式。

 例如，如果你要分析零售数据，并且产品名称中包含牛仔裤或夹克等字样，则此产品类别可能属于服装机器学习系统。

从事例中学习的方式，就像儿童学习语言或图案一样，它可以将数据分组为一个摘要，并且还可以用更细化简明的方式定义数据，将机器学习视为方法和系统的组合，这些方法和系统可基于观测到的数据预测，新数据从数据中提取隐藏结构，将数据汇总为简明描述，优化操作指定代价函数和观测的数据，并根据观测的数据进行调整。

⏳2.2. 机器学习的范畴 

机器学习领域通常分为以下几大类，监督学习，非监督学习和强化学习。

在监督学习中，模型输入包括视力输出，也称为标签，是已知的模型学习，从这些事例归纳输出。

在非监督学习中，标签是未知的，模型可以在没有任何帮助的情况下，从数据中找到模式和结构。

在强化学习中，模型通过与其环境交互进行学习，并学习，采取措施以最大化总奖励。

2.2.1. 监督学习(Supervised)

在监督学习中提供了模型的输入和事例输出，并且模型学习从这些事例归纳输出人类教师的经验，用于告诉模型，哪些输出是正确的，哪些是错误的，这并不意味着教师必须亲自在场，只要老师的分类必须存在，即可借助大型训练数据集模型，从其误差中学习并更改其权重，以减少其预测误差，在分类中，输出变量是一个类别，例如颜色可以是红色、蓝色或绿色，对于特定问题它的结果是Ture或False。

2.2.2. 非监督学习(Unsupervised)

在非监督式学习中，也称为自组值，没有教师，它完全基于本地信息，这里模型仅使用呈现给网络的数据，而没有任何标签，并且它会检测整个数据集的新兴属性，然后模型根据可用信息构建模式，而不需要任何预训练数据。

 

在集群中，模型发现数据中的分组。例如，根据客户的购买行为，对客户进行分组，在关联中模型发现管理大块数据的规则，例如购买产品A的客户也倾向于购买产品B.

2.2.3. 强化学习(Reinforcement)

 

在强化学习中，软件代理确定特定问题，在具体上下文中的理想行为，代理采用输入并确定问题的最佳操作，然后根据操作的结果代理收到简单的奖励反馈，以便从其行为中学习，我们鼓励代理选择长期最大化回报的操作，这种类型的机器学习算法受行为心理学的启发。

三. 机器学习与智能应用范畴

---

⏳3.1. 机器学习智能应用

从机器学习系统获取有用信息的部分是拥有一个智能应用程序，您的智能应用程序将使用机器学习分析您的数据并预测未来的结果，这些是做出业务决策所必须的，这可以包括使用机器学习解决业务问题。

 

例如预测客户趋势，比如客户是否将使用您的特定产品，或确定订单是否具有欺诈性，根据您已拥有的客户数据，您可以找到数据中的模式，然后生成预测来推动您的产品功能和改进。

⏳3.1. 机器学习智能应用的挑战

尽管机器学习是一个快速增长的领域，但是随着越来越多的公司使用这项服务，在构建基于机器学习的智能应用程序时，需要考虑一些挑战，例如一些机器学习技术的使用和实施可能会很复杂，因而需要高水平的专业知识，这可能需要时间来聘用或培养;

另一个挑战是找到适合客户需求的正确技术，最后能够将机器学习与商业应用程序结合起来，可能需要时间，换句话说，对您的模型进行优化，以使产品应用可以高效的使用模型可能需要大量时间，这些是您在构建机器学习应用程序时应考虑的三个主要注意事项。

四. 亚马逊机器学习框架

---

⏳4.1.  Amazon EMR

这些是您在构建机器学习应用程序时应考虑的三个主要注意事项，帮助应对这些挑战的一种方法是使用ML机器学习。在(Amazon EMR)上为客户提供ML机器学习和spark服务，这些客户需要完全托管的平台，以便使用他们自己的数据构建模型。对于专注于构建模型的开发人员和数据科学家而言，平台服务可以节省与部署和管理基础架构进行培训和托管相关的一体化开销。

⏳4.2.  Amazon 机器学习

Amazon机器学习支持监督学习方法，这些方法是您能够预测特定的机器学习任务。

例如二元分类，多类分类和回归二元分类预测是或否问题的答案。

例如：电子邮件是垃圾邮件，还是不是垃圾邮件？此产品是一本书，还是一个玩具，或者此评论是由客户还是机器人撰写的多类分类，从列表中预测正确的类别例，如此产品是电影还是衣服？这部电影是浪漫的喜剧纪录片还是惊悚片或者这位客户对哪个类别的产品最感兴趣，回归预测数值变量的值，例如，明天西雅图的气温将会如何，或者对于此产品有多少个销售单位，最后多少天后客户停止使用应用程序等等。

⏳4.3. ML训练模型

为了训练模型，您需要创建指向数据的数据源对象浏览并理解数据，以及转换数据和训练模型，为了评估和优化模型，您需要了解模型质量并调整模型的解释方式，之后您可以检索批量和实时预测。

五. 亚马逊机器学习案例分析

---

我们来快速看一个使用M3机器学习的案例研究，Zillow是美国的一家在线提供房屋估价的公司，当公司需要为客户提供更及时的房屋价时，他们决定运行其房屋价工具，使用Amazon Kinesis
进行数据提取，并在Amazon EMR上使用Apache Spark进行数据处理和分析，现在Zillow可在几小时内，而不是在几天内运行其机器学习任务，并可提供更准确的估价数据。

写在最后

---

“机器学习”是个很酷的名字，简单地按照字面理解，它的目的是让机器能像人一样具有学习能力。但在其十年的黄金发展期，机器学习界并没有过多地炒作“智能”或者“认知”，而是关注于引入统计学等来建立学科的理论基础，面向数据分析与处理，以无监督学习和有监督学习为两大主要的研究问题，提出和开发了一系列模型、方法和计算算法等，切实地解决了工业界所面临的一些实际问题。相信在不久的将来，我们能够接触和使用到智能，敏捷，更可靠的人工智能应用。