机器学习入门

机器学习入门

什么是机器学习

机器学习是一种人工智能AI的分支，在使计算机系统通过数据和经验自动学习并改进性能，而无需明确编程，它侧重与开发算法和模型，使计算机能够从经验中学习，并进行预测和决策，以更好的理解和处理复杂的数据和任务。

白话解释：
让机器帮助人类做一些大规模的数据识别、分拣、规律总结等
人类做起来比较花时间的事情 ，这个就是机器学习

机器学习算法可以根据输入数据的不通类型，分为监督学习、无监督学习和强化学习三种类型

机器学习的种类

无监督学习

指人们在获得训练的向量数据后在没有标签的情况下尝试找出其内部蕴含关系的一种挖
掘工作，这个过程中使用者除了可能要设置一些必要的超参数以外，
不用对这些样本做任何的标记甚至是过程干预。
无监督学习通常用于聚类、降维和异常检测等任务。

聚类

聚类（ clustering ）是一种典型的“无监督学习”，是把物理对象或抽象对象的集合分组
为由彼此类似的对象组成的多个类的分析过程 。

特征形态的相同或近似的划在一个概念下，特征形态不同的划在不同概念
下，这本身就是“聚类”的思维方式

常用的聚类算法有 K-Means DBSCAN

用机器做聚类学习的时候，我们每种算法都对应有相应的计算原则，可以把输入的
各种看上去彼此“相近”的向量分在一个群组中 。 然后下一步，人们通常更有针对性地去
研究每一组聚在一起的对象所拥有的共性以及那些远离各个群组的孤立点一一这种孤立点
研究在刑侦 、 特殊疾病排查等方面都有应用 。
在这个过程中，从获得到具体的样本向量，到得出聚类结果，人们是不用进行干预的，
这就是“非监督” 一词的由来 

有监督学习

每一个样本都有着
明确的标签，最后我们只是要总结出这些训练样本向量与标签的映射关系

强化学习

通过与环境的交互学习，模型通过尝试行动并获得反馈来学习最佳的行动策略。

回归

回归是一种解题方法，或者说“学习”方法，也是机器学习中比较重要的内容 。
回归的英文是 regression ，单词原型 regress 的意思是“回退，退化，倒退” 。 其实
regression一一回归分析的意思是借用里面“倒退，倒推”的含义 。 简单说就是“由果索因”
的过程，是一种归纳的思想一一当我看到大量的事实所呈现的样态，我推断出原因或客观
蕴含的关系是如何的；当我看到大量的观测而来的向量（数字）是某种样态，我设计一种假
说来描述它们之间蕴含的关系是如何的 。
在机器学习领域，最常用的回归有两大类一一一类是线性回归，一类是非线性回归

线性回归

线性回归，就是在观察和归纳样本的过程中认为向量和最终的函数值呈现线性的
关系

非线性回归

非线性回归类中，在机器学习领域应用最多的当属逻辑回归。
 逻辑回归的表达式的定义本源是来自于伯努利分布的

分类

分类是机器学习中使用的最多的一大类算法，我们通常也喜欢把分类算法叫做“分
类器”.
我们在编写代码教会分类器怎么做学习的时候 9 其实是在教它如何建立一种输入到输
出的映射逻辑，以及让它自己调整这种逻辑关系，使得逻辑更为合理。 而合理与否的判断
也非常明确，那就是召回率和精确率两个指标
一一召回率指的是检索出的相关样本和样本
库（待测对象库）中所有的相关样本的比率，衡量的是分类器的查全率 。 
精确率是检索出的相关样本数与检索出的样本总数的比率，衡量的是分类器的查准率.

分类的训练过程

分类的训练过程和回归的训练过程一样，都是极为套路化的程序 。
第一 ，输入样本和分类标签 。
第二 ，建立映射假说的某个 y=f{x） 的模型 。
第三 ，求解出全局的损失函数 Loss 和待定系数 w 的映射关系， Loss=g(w） 。
第四，通过迭代优化逐步降低 Loss ，最终找到一个 w 能使召回率和精确率满足当前场
景需要

机器学习的应用

绝大多数的机器学习的应用环境都非常单纯一一向量清洗到
位，边界划定清晰 。
例如，垃圾邮件的分拣，能够通过邮件内容的输入来判断邮件是否为
垃圾邮件；新闻的自动分类，能够通过新闻内容的分类来判断新闻的类别或描述内容的属
性；摄像头对车牌号的 OCR 电子识别手、写识别，这些应用可以通过输入一个图像来得到
其中蕴含的文字信息向量，诸如此类，这些都是早些年应用比较成熟的领域，在这种应用
场景中机器通过学习能够取代一些纯粹的体力劳动

机器学习在各种领域和任务中都有广泛的应用，例如 图像识别、语音处理、NLP自然语言处理、
推荐系统、金融预测、医学诊断等。
通过机器学习，计算机能够从大量数据中提取有用的信息和模式，并用于预测、分类、优化和决策等任务，从而提供更智能、高效和精确的解决方案。