Day1：机器学习

一     人工智能三大概念

1.人工智能（Arificial Intelligence）概念

用计算机模拟或替代人的大脑。(AI的期望就是像人一样的系统)

2.机器学习(Machine Leaning)概念

即根据已知数据训练模型预测未知数据。(机器自动学习，不基于规则编程)

3.深度学习（Deep Learning）概念

也叫深度神经网络，大脑仿生。

4.关系

机器学习是实现人工智能的一种途径，深度学习是机器学习的一种。

5.算法的学习方式

基于规则的学习和基于模型的学习

二   机器学习的应用领域和发展史

1.机器学习的应用领域

计算机视觉CV：对人看到的东西进行理解

自然语言处理：对人交流的东西进行理解

数据挖掘和数据分析：也属于人工智能的范畴

2.AI发展三要素

数据（输入算法），算法，算力（支撑算法）

CPU：主要适合I/O密集型的任务

GPU：主要适合计算密集型的任务

TPU：专门针对大型网络训练而设计的一款处理器

三   机器学习常用术语

 样本：一行数据就是一个样本；多个样本组成数据集；又是一条样本也被叫做一条记录。

特征：一列数据一个特征，有时也被称为属性。

标签/目标：模型要预测的那一列数据。

注：特征是从数据中抽取出来的对结果预测有用的信息。

数据集可划分为：训练集和测试集（比例：8:2，7:3）

训练集：用来训练模型的数据集

测试集：用来测试模型的数据集

四   机器学习算法分类

1.机器算法按照学习方式分类：监督学习，无监督学习，半监督学习，强化学习

2.监督学习：

   定义：输入数据是由输入特征值和目标值所组成的，即输入的训练数据有标签的

   数据集：需要标注数据的标签/目标值

   分类问题目标值是不连续的，回归问题目标值是连续的。

 2.无监督学习：

     定义：输入数据没有被标记，即样本数据类别未知，没有标签，根据样本间的相似性，对样本集聚类，以发现事物内部结构及相互关系。

     无目标值

3.半监督学习：

    训练集同时包含有目标值的样本数据和不含有目标值的样本数据

4.强化学习：

    智能体不断与环境进行交互，通过获取最大奖励的方式（试错的方式）来获得最佳策略。主要包含四个要素：Agent(智能体)，环境（Environment），行动（Action），奖励（Reward）

五    机器学习建模流程

1.获取数据

   搜集与完成机器学习任务相关的数据集

2.数据基本处理

  数据集中异常值，缺失值的处理等

3.特征工程

 对数据特征进行提取，转成向量，让模型达到最好的效果

4.机器学习（模型训练）

  根据不同的任务来选中不同的算法，有监督学习，无监督学习，半监督学习，强化学习

5.模型评估 

  评估效果好上线服务，评估效果不好则重复上述步骤