机器学习笔记

什么是机器学习

机器学习和现在火热的深度学习有点区别，机器学习包含深度学习，机器学习在人工智能范围里。人工智能、机器学习、深度学习关系：

人工智能>>机器学习>>深度学习

机器学习是很多算法的统称，不单指某种算法。

通过训练集，不断识别特征，不断建模，最后形成有效的模型，这个过程叫"机器学习"

• 从大的范围理解机器学习就是将现实问题抽象为数学问题，机器解决数学问题从而解决现实问题。
• 传统的软件是人为地设定条件，告诉计算机符合这个条件后应该做什么(if A then B)
• 机器学习或者深度学习是从大量的数据中总结规律，归纳出知识，并将知识用用到现实场景当中
• 现阶段的人工智能只能解决特定的问题，是单一任务解决模式。像科幻电影里的机器人既能感知人类的情绪又能做家务的"无所不能"机器人，目前还没有达到这个阶段。

机器学习的过程

• 监督学习(用打上标签的数据训练)
• 非监督学习(用不打标签的数据训练)
• 强化学习

实操步骤：
收集数据——数据准备——选择模型——训练——评估——参数调整——预估

收集数据

数据的数量、给数据加上标签等。

数据准备

拟合就是通过模型训练数据学习到了数据的特征

选择模型

一般选择模型这一步都是直接挑选现成的模型

训练

机器独立完成，不需要人参与。所以整个过程最重要的是数据的收集和数据准备，他们决定了模型的质量

评估

模型的准确率、召回率、F值

监督学习

监督学习有两个重要的任务：

• 回归：预测连续的、具体的值
• 分类：对各种事务分门别类，用于离散预测

监督学习的算法

• 分类算法：朴素贝叶斯、决策树、SVM、逻辑回归
• 回归算法：线性回归、回归线
• 分类+回归：K邻近、Adabosting、神经网络

无监督学习

• 场景：用于发现异常数据、用户细分、推荐系统
• 通过无监督学习可以把行为进行分类，虽然我们并不知道这些分类意味什么，但通过分类可以快速排出非正常用户，对异常行为进行深入分析。

无监督学习算法

• 聚类：K均值聚类、层次聚类
• 降维：主成分分析PCG、奇异值分解SVD

学习总结

机器学习最根本还是数学问题。。。