机器学习基础介绍

百度百科：
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机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。
它是人工智能核心，是使计算机具有智能的根本途径。

基本概念

机器学习的基本思路：

1. 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
2. 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
3. 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？
   
   定义：
   机器学习是计算机科学的一个分支，在这个领域中，机器能够学着执行那些没有被显式编程的任务；
   简而言之，机器观察某项任务中存在的模式，并试图以某种直接或间接的方式模仿它；
   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”；
   

分类

监督学习：对数据集进行转换；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。比如准备一堆猫狗照片，打上标签，这些标签就是“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。

机器学习的大部分工作都是训练某种监督分类器。

非监督学习：对数据进行分组；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。比如准备一堆猫狗照片，不给任何标签，希望机器能够将这些照片分分类。非监督学习虽然把猫狗分成两类，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；

机器学习实操步骤

● 收集数据
● 数据准备
● 选择一个模型
● 训练
● 评估
● 参数调整
● 预测（开始使用）

经典机器学习算法

人工智能、机器学习、深度学习的关系

深度学习基础介绍

待更新

参考

–《深度学习图解》[安德鲁.特拉斯克]