既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！
由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新
机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类：
以下是作者自己整理的机器学习笔记思维导图，可以关注文末公众号回复“导图”获取，免费分享供大家学习，导图和笔记后续会继续更新。
一、什么是机器学习？
机器学习=寻找一种函数
如何寻找这个函数？
①定一个函数集合
②判断函数的好坏
③选择最好的函数
机器学习三板斧
①设计模型model
②判断模型的好坏
③选择最好的函数，优化模型
3.1修改模型，增加数据维度
3.2增加正则因子，使函数更加平滑，让参数w取值更小。（x变化较小时，整个函数结果不会变化太大，结果更准）
学习路线
监督学习：有数据标注情况下学习（回归、分类）
半监督学习：训练数据中带标记的数据不够多
迁移学习：在已学习基础上，做看似和以前学习不相关的事情，但实际效果很好（在猫狗识别基础识别大象老虎等）
非监督学习：没有具体标注数据的情况下学习（机器阅读、机器绘画）
结构化学习：超越简单的回归和分类，产生结构化的结果（如图片、语言、声音）
二、机器学习算法的类型
1. 有监督学习
有监督学习通常是利用带有专家标注的标签的训练数据，学习一个从输入变量X到输入变量Y的函数映射。 Y = f (X)
训练数据通常是(n×x,y)的形式，其中n代表训练样本的大小，x和y分别是变量X和Y的样本值。
利用有监督学习解决的问题大致上可以被分为两类：
**分类问题：**预测某一样本所属的类别（离散的）。比如给定一个人（从数据的角度来说，是给出一个人的数据结构，包括：身高，年龄，体重等信息），然后判断是性别，或者是否健康。
**回归问题：**预测某一样本的所对应的实数输出（连续的）。比如预测某一地区人的平均身高。
下面所介绍的前五个算法（线性回归，逻辑回归，分类回归树，朴素贝叶斯，K最近邻算法）均是有监督学习的例子。
除此之外，集成学习也是一种有监督学习。它是将多个不同的相对较弱的机器学习模型的预测组合起来，用来预测新的样本。本文中所介绍的第九个和第十个算法（随机森林装袋法，和XGBoost算法）便是集成技术的例子。
2. 无监督学习
无监督学习问题处理的是，只有输入变量X没有相应输出变量的训练数据。它利用没有专家标注训练数据，对数据的结构建模。
可以利用无监督学习解决的问题，大致分为两类：
关联分析：发现不同事物之间同时出现的概率。在购物篮分析中被广泛地应用。如果发现买面包的客户有百分之八十的概率买鸡蛋，那么商家就会把鸡蛋和面包放在相邻的货架上。
**聚类问题：**将相似的样本划分为一个簇（cluster）。与分类问题不同，聚类问题预先并不知道类别，自然训练数据也没有类别的标签。
**维度约减：**顾名思义，维度约减是指减少数据的维度同时保证不丢失有意义的信息。利用特征提取方法和特征选择方法，可以达到维度约减的效果。特征选择是指选择原始变量的子集。特征提取是将数据从高纬度转换到低纬度。广为熟知的主成分分析算法就是特征提取的方法。
下面介绍的第六-第八（Apriori算法，K-means算法，PCA主成分分析）都属于无监督学习。
3. 强化学习
通过学习可以获得最大回报的行为，强化学习可以让agent（个体）根据自己当前的状态，来决定下一步采取的动作。
强化学习算法通过反复试验来学习最优的动作。这类算法在机器人学中被广泛应用。在与障碍物碰撞后，机器人通过传感收到负面的反馈从而学会去避免冲突。在视频游戏中，我们可以通过反复试验采用一定的动作，获得更高的分数。Agent能利用回报去理解玩家最优的状态和当前他应该采取的动作。
三、常见机器学习概念介绍：
1.常见机器学习算法概念简介：
1、监督学习（SupervisedLearning）：有类别标签的学习，基于训练样本的输入、输出训练得到最优模型，再使用该模型预测新输入的输出；
代表算法：决策树、朴素贝叶斯、逻辑回归、KNN、SVM、神经网络、随机森林、AdaBoost、遗传算法；
2、半监督学习（Semi-supervisedLearning）：同时使用大量的未标记数据和标记数据，进行模式识别工作；
代表算法：self-training(自训练算法)、generative models生成模型、SVMs半监督支持向量机、graph-basedmethods图论方法、 multiviewlearing多视角算法等；
3、无监督学习（UnsupervisedLearning）：无类别标签的学习，只给定样本的输入，自动从中寻找潜在的类别规则；
代表算法：主成分分析方法PCA等，等距映射方法、局部线性嵌入方法、拉普拉斯特征映射方法、黑塞局部线性嵌入方法、局部切空间排列方法等；
4、HOG特征：全称Histogram of Oriented Gradient（方向梯度直方图），由图像的局部区域梯度方向直方图构成特征；
5、LBP特征：全称Local Binary Pattern（局部二值模式），通过比较中心与邻域像素灰度值构成图像局部纹理特征；
6、Haar特征：描述图像的灰度变化，由各模块的像素差值构成特征；
7、核函数（Kernels）：从低维空间到高维空间的映射，把低维空间中线性不可分的两类点变成线性可分的；
8、SVM：全称Support Vector Machine（支持向量机），在特征空间上找到最佳的超平面使训练集正负样本的间隔最大；是解决二分类问题的有监督学习算法，引入核方法后也可用来解决非线性问题；
9、Adaboost：全称Adaptive Boosting（自适应增强），对同一个训练集训练不同的弱分类器，把这些弱分类器集合起来，构成一个更强的强分类器；
10、决策树算法（Decision Tree）：处理训练数据，构建决策树模型，再对新数据进行分类；
11、随机森林算法（Random Forest）：使用基本单元（决策树），通过集成学习将多棵树集成；
12、朴素贝叶斯（Naive Bayes）：根据事件的先验知识描述事件的概率，对联合概率建模来获得目标概率值；
13、神经网络（Neural Networks）：模仿动物神经网络行为特征，将许多个单一“神经元”联结在一起，通过调整内部大量节点之间相互连接的关系，进行分布式并行信息处理。
2.其余理论知识
偏差
偏差度量了模型的期望预测与真实结果的偏离程度， 即刻画了学习算法本身的拟合能力。偏差则表现为在特定分布上的适应能力，偏差越大越偏离真实值。
方差
方差度量了同样大小的训练集的变动所导致的学习性能的变化， 即刻画了数据扰动所造成的影响。方差越大，说明数据分布越分散。
噪声
噪声表达了在当前任务上任何模型所能达到的期望泛化误差的下界， 即刻画了学习问题本身的难度 。
泛化误差、偏差、方差和模型复杂度的关系（图片来源百面机器学习）
Q2什么是过拟合和欠拟合，为什么会出现这个现象？
过拟合指的是在训练数据集上表现良好，而在未知数据上表现差。
欠拟合指的是模型没有很好地学习到数据特征，不能够很好地拟合数据，在训练数据和未知数据上表现都很差。如图所示：
过拟合的原因在于：
- 参数太多，模型复杂度过高；
- 建模样本选取有误，导致选取的样本数据不足以代表预定的分类规则；
- 样本噪音干扰过大，使得机器将部分噪音认为是特征从而扰乱了预设的分类规则；
- 假设的模型无法合理存在，或者说是假设成立的条件实际并不成立。
欠拟合的原因在于：
- 特征量过少；
- 模型复杂度过低。
Q3怎么解决欠拟合？
- 增加新特征，可以考虑加入进特征组合、高次特征，来增大假设空间；
- 添加多项式特征，这个在机器学习算法里面用的很普遍，例如将线性模型通过添加二次项或者三次项使模型泛化能力更强；
- 减少正则化参数，正则化的目的是用来防止过拟合的，但是模型出现了欠拟合，则需要减少正则化参数；
- 使用非线性模型，比如核SVM 、决策树、深度学习等模型；
- 调整模型的容量(capacity)，通俗地，模型的容量是指其拟合各种函数的能力；
- 容量低的模型可能很难拟合训练集。
Q4怎么解决过拟合？（重点）
- 获取和使用更多的数据（数据集增强）——解决过拟合的根本性方法
- 特征降维:人工选择保留特征的方法对特征进行降维
- 加入正则化，控制模型的复杂度
- Dropout
- Early stopping
- 交叉验证 增加噪声
Q5为什么参数越小代表模型越简单？
因为参数的稀疏，在一定程度上实现了特征的选择。
越复杂的模型，越是会尝试对所有的样本进行拟合，甚至包括一些异常样本点，这就容易造成在较小的区间里预测值产生较大的波动，这种较大的波动也反映了在这个区间里的导数很大，而只有较大的参数值才能产生较大的导数。因此复杂的模型，其参数值会比较大。因此参数越少代表模型越简单。
未完待续。。。。。
四、十大机器学习算法介绍
有监督学习
1. 线性回归算法
在机器学习当中，我们有一个变量X的集合用来决定输出变量Y。在输入变量X和输出变量Y之间存在着某种关系。机器学习的目的就是去量化这种关系。
在线性回归里，输入变量X和输出变量Y之间的关系，用等式Y = a + bX 来表示。因此，线性回归的目标便是找出系数a和b的值。在这里，a是截距，b是斜率。
上图绘制了数据中X和Y的值。我们的目标是去拟合一条最接近所有点的直线。这意味着，直线上每一个X对应点的Y值与实际数据中点X对应的Y值，误差最小。
2. 逻辑回归算法
使用一个转换函数后，线性回归预测的是连续的值（比如降雨量），而逻辑回归预测的是离散的值（比如一个学生是否通过考试，是：0，否：1）。
逻辑回归最适用于二分类（数据只分为两类，Y = 0或1，一般用1作为默认的类。比如：预测一个事件是否发生，事件发生分类为1；预测一个人是否生病，生病分类为1）。我们称呼其为逻辑回归（logistic regression）是因为我们的转换函数采用了logistic function (h(x)=1/(1+e的-x次方)) 。
在逻辑回归中，我们首先得到的输出是连续的默认类的概率p（0小于等于p小于等于1）。转换函数 (h(x)=1/(1+e的-x次方))的值域便是（0,1）。我们对该函数设置一个域值t。若概率p>t，则预测结果为1。
图 2 使用逻辑回归来判断肿瘤是恶性还是良性。如果概率p大于0.5，则是恶性
在图2中，判断肿瘤是恶性还是良性。默认类y=1（肿瘤是恶性）。当变量X是测量肿瘤的信息，如肿瘤的尺寸。如图所示，logistic函数由变量X得到输出p。域值t在这里设置为0.5。如果p大于t，那么肿瘤则是恶性。
我们考虑逻辑回归的一种变形：
因此，逻辑回归的目标便是训练数据找到适当的参数的值，使得预测的输出和实际的输出最小。我们使用最大似然估计来对参数进行估计。
3. 分类回归树（决策树）
分类回归树是诸多决策树模型的一种实现，类似还有ID3、C4.5、CART等算法。
非终端节点有根节点（Root Node）和内部节点(Internal Node)。终端节点是叶子节点(Leaf Node)。每一个非终端节点代表一个输出变量X和一个分岔点，叶叶子节点代表输出变量Y，见图3。沿着树的分裂（在分岔点做一次决策）到达叶子节点，输出便是当前叶子节点所代表的值。
图3中的决策树，根据一个人的年龄和婚姻状况进行分类：1.购买跑车；2.购买小型货车。如果这个人30岁还没有结婚，我们沿着决策树的过程则是：‘超过30年？–是–已婚？–否，那么我们的输出便是跑车。
4. 朴素贝叶斯
在给定一个事件发生的前提下，计算另外一个事件发生的概率——我们将会使用贝叶斯定理。假设先验知识为d，为了计算我们的假设h为真的概率，我们将要使用如下贝叶斯定理：
P(h|d)=后验概率。这是在给定数据d的前提下，假设h为真的概率。
P(d|h)=可能性。这是在给定假设h为真的前提下，数据d的概率。
P(h)=类先验概率。这是假设h为真时的概率（与数据无关）
P(d)=预测器先验概率。这是数据的概率（与假设无关）
之所以称之为朴素是因为该算法假定所有的变量都是相互独立的（在现实生活大多数情况下都可以做这样的假设）。
如图，当天气是晴天的时候（第一列第一行），选手的状态是如何的呢？
在给定变量天气是晴天（sunny）的时候，为了判断选手的状态是‘yes’还是‘no’，计算概率，然后选择概率更高的作为输出。
因此，当天气是晴天的时候，选手的状态是‘yes’
5. KNN（K近邻算法）
K最近邻算法是利用整个数据集作为训练集，而不是将数据集分成训练集和测试集。
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
HR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d1emhvbmdxaWFuZw==,size_16,color_FFFFFF,t_70)
因此，当天气是晴天的时候，选手的状态是‘yes’
5. KNN（K近邻算法）
K最近邻算法是利用整个数据集作为训练集，而不是将数据集分成训练集和测试集。
[外链图片转存中…(img-IKyM2HGD-1715828569547)]
[外链图片转存中…(img-4Vqa1JWz-1715828569548)]
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
扫一扫
1573
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
