机械学习 day1

◆ 人工智能三大概念

        人工智能（AI）、机器学习（ML）和深度学习（DL）

深度学习

        • 深度学习 (DL, Deep Learning) : ，也叫深度神经网络， 大脑仿生 ，设计一层一层的神经元模拟万事万物

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 一种方法

1 人工智能

        • Artificial Intelligence(AI)：仿智， 使用计算机来模拟或者代替人类

2 机器学习

        • Machine Learning(ML) ： 机器自动学习，不是人为规则编程

        • Artificial Intelligence(AI)：仿智， 使用计算机来模拟或者代替人类

3 深度学习

        • Deep Learning (DL) ： 大脑仿生 ，设计一层一层的神经元模拟万事万物

4 AI、ML、DL三者之间的关系

        • 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 一种方法 发展而来的

5 算法的学习方式有哪两种？

        • 基于规则的学习

        • 基于模型的学习

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 人工智能发展史

        • 1956年 人工智能元年

        • 2012 年 计算机视觉深度神经网络方法研究兴起

        • 2017 年 自然语言处理应用大幕拉开

        • 2022年 chatGPT 的出现，引起 AIGC 的发展

3 人工智能发展三要素

        • 数据 ， 算法，算力

                • CPU：主要适合I\O密集型的任务

                • GPU：主要适合计算密集型任务

                • TPU：专门针对大型网络训练而设计的一款处理器

样本 (sample) ：一行数据就是一个样本；多个样本组成数据集；有时一条样本被叫成一条记录

特征 (feature) ： 一列数据一个特征，有时也被称为属性

标签 / 目标 (label/target) ：模型要预测的那一列数据。本场景是就业薪资

就业薪资 与 培训学科、作业考试、学历、工作经验、工作地点 5 个特征有关系

特征如何理解（重点） ： 特征是从数据中抽取出来的， 对结果预测有用的信息 eg: 房价预测、车图片识别

数据集可划分两部分：训练集、测试集 比例： 8 : 2 ， 7 : 3

训练集 (training set) ：用来训练模型（ model ）的数据集

测试集 (testing set) ：用来测试模型的数据集

1 样本和数据集

        • 样本(sample) ：一行数据就是一个样本

        • 数据集dataset ：多个样本组成数据集

2 特征

        • 特征(feature) ：一列数据一个特征，有时也被称为属性

3 标签

        • 标签/目标(label/target) ：模型要预测的那一列数据。

4 数据集划分

        • 训练集用来训练模型、测试集用来测试评估模型 。

        • 一般划分比例7:3 ~ 8:2

机器学习算法可分为哪些类别？分别说一说各自的特点？

1 按照学习方式分类可分为: 监督学习, 无监督学习, 半监督学习, 强化学习

2 监督学习: 输入训练集数据包含输入特征值和目标值

        回归: 函数的输出是一个连续的值

        分类: 函数的输出是有限个离散值

3 无监督学习: 输入训练集数据是由输入特征值组成，没有目标值

        比如：聚类根据样本间的相似性对样本集进行分类

4 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

5 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；主要包含四个元素：Agent(智能体)，环境(Environment)，行动(Action)，

奖励(reward)

注：在整个建模流程中，数据基本处理、特征工程一般是 耗时、耗精力最多的 。

1 机器学习建模的一般步骤

        • 获取数据 ： 搜集与完成机器学习任务相关的数据集

        • 数据基本处理 ： 数据集中异常值 , 缺失值的处理等

        • 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

        • 机器学习 (模型训练)： 选择合适的算法对模型进行训练

                • 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

        • 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