我自学系列的第1讲之机器学习概述

最新推荐文章于 2024-10-03 09:02:12 发布

li-jia-wei

最新推荐文章于 2024-10-03 09:02:12 发布

阅读量178

点赞数 1

分类专栏： Python 文章标签： python 机器学习人工智能

本文链接：https://blog.csdn.net/a2965502228/article/details/114119592

版权

Python 专栏收录该内容

3 篇文章 4 订阅

订阅专栏

我自学系列的第1讲之机器学习概述

发布时间：2021-02-28

1.机器学习概述

1 人工智能概述  
    1.1 人工智能起源
        1.图灵测试
        2.达特茅斯会议
    1.2 人工智能三个阶段
        1.1980年代是正式形成期
        2.1990-2010年代是蓬勃发展期
        3.2012年之后是深度学习期
    1.3 人工智能、机器学习和深度学习
        1.机器学习是人工智能的一个实现途径
        2.深度学习是机器学习的一个方法发展而来
    1.4 主要分支介绍
        1.4.1 计算机视觉
            1.人脸识别
        1.4.2 自然语言处理
            1.语音识别
            2.语义识别
        1.4.3 机器人
    1.5 人工智能必备三要素
        1.数据
        2.算法
        3.计算力
    1.6 GPU, CPU
        1.GPU -- 计算密集型
        2.CPU -- IO密集型
        
2 机器学习工作流程
    2.1 定义
        1.数据
        2.自动分析获得模型
        3.预测
        4.从数据中自动分析获得模型，并利用模型对未知
        5.数据进行预测
    2.2 工作流程
        1.获得数据
        2.数据基本处理
        3.特征工程
        4.机器学习（模型训练）
        5.模型评估
    2.3 获取到的数据集介绍
        2.3.1 专有名词
            1.样本
            2.特征
            3.目标值
            4.特征值
        2.3.2 数据类型构成
            1.特征值+目标值（目标值分为是离散还是连续的）
            2.只有特征值
        2.3.3 数据划分
            1.训练数据（训练集）-- 构建模型 0.7 -- 0.8
            2.测试数据（测试集）-- 模型评估 0.2 -- 0.3
        2.3.4 数据基本处理
            1.对数进行缺失值，去除异常值等处理
        2.3.5 特征工程
            2.3.5.1 定义
                1.把数据转换成机器学习更容易识别的数据
            2.3.5.2 为什么需要特征工程
                1.数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已
            2.3.5.3 包含内容
                1.特征提取
                2.特征预处理
                3.特征降维
        2.3.6 机器学习
            1.选择合适的算法对模型进行训练
        2.3.7 模型评估
            1.对训练好的模型进行评估
            
3 机器学习算法分类
    3.1 监督学习 -- 有特征值，有目标值
        1.目标值连续 -- 回归
        2.目标值离散 -- 分类
    3.2 无监督学习 -- 仅有特征值
    3.3 半监督学习 -- 有特征值，但是一部分数据有目标值，一部分没有
    3.4 强化学习
        1.动态过程，上一步数据的输出是下一步数据的输入
        2.四要素：agent, action, environment, reward
        
4 模型评估
    4.1 分类模型评估
        1.准确率
        2.精确率
        3.召回率
        4.F1-score
        5.AUC指标
    4.2 回归模型评估
        1.均方根误差
        2.相对平方误差
        3.平均绝对误差
        4.相对绝对误差
        5.决定系数
    4.3 拟合
        1.欠拟合
        2.过拟合