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
问题一:为什么喜欢用代码块的背景来写文档?
因为它开头能输入空格,方便按照序号查看,主要是习惯了黑底白字,重点是好看呀!
大家可以按照我的笔记的过程去仔细搜索一些内容,希望我的笔记能帮助到大家!接下来的发布将加入代码块,给每一种代码实现的功能做具体的讲解!
记得点赞,评论加关注!!!