机器学习基础包含anaconda命令

机器学习（统计学方法实现人工智能）

定义

机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测

工具包

sklearn，numpy，pandas，matplotlib，seaborn

数据挖掘

数据挖掘使用诸如机器学习，统计和数据库之类的方法来发现相对大量的数据集中的模式和知识，涉及数据预处理，模型和推理，可视化等。

什么是机器学习？

机器学习=寻找一种函数（目前阶段，要求会用）

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

机器学习开发流程

获取数据/数据处理/特征工程/机器学习算法训练-模型/模型评估/应用

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）

目标值：类别—分类问题

目标值：连续型数据——回归问题

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）

无目标值

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）

机器学习与深度学习关系

机器学习包含深度学习，人工智能包含机器学习

机器学习和数据分析流程

机器学习：数据收集，数据预处理，特征选择，模型训练，模型评估，超参数调优，预测

数据分析：定义问题，数据收集，数据清洗，探索性数据分析，建立模型，结果解释，报告撰写

机器学习方法三要素

机器学习方法 = 模型 + 策略 + 算法

模型就是对一个实际业务问题进行建模，将其转化为一个可以用数学来量化表达的问题

策略就是定义损失函数来描述预测值与理论值之间的差距，将其转化为一个使损失函数最小化得优化问题

算法指的是求解最优化问题得方法，一般将其转化为无约束优化问题，然后利用梯度下降法和牛顿法等进行求解

设置默认安装地址

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple/

conda常用命令

conda list：查看环境中的所有包

conda env list：列出所有环境

conda create -n XXX：创建名为 XXX 的环境

conda create -n env_name jupyter notebook ：创建虚拟环境

activate noti（或 source activate noti）：启用/激活环境

conda env remove -n noti：删除指定环境

deactivate（或 source deactivate）：退出环境

jupyter notebook ：打开Jupyter Notebook

conda config --remove-key channels ：换回默认源

反向传播算法（Backpropagation（求导哈哈））

是一种用于训练人工神经网络的常见方法。它通过计算网络预测与实际结果之间的误差，然后反向传播这个误差来调整网络中每个权重的值，从而逐步优化网络的学习过程