机器学习：简介

# 注：一定要学会用help()查看变量、函数、类、实例对象的使用文档；

# 格式：help(变量、函数、类、实例对象)；

 

一、什么是机械学习

1、一般应用

垃圾邮件分类、图像识别、人脸识别、数字识别

传统解决思路：

编写规则，定义“垃圾邮件”，让计算机执行：将一封邮件输入到传统算法，经判断输出结果；

弊端：对问题本身的规则很难定义；规则在不断变化；

2、人类学习过程

　通过一定的样本资料，经过大脑的学习、归纳、整理、总结，获取知识和经验，在遇到类似的事务就可以根据经验和知识做出判断。

3、机械学习过程

　对机器学习的算法，输入大量的学习资料，经过训练，得到一个可以以执行任务的算法（也称为模型）；在遇到新的样例，该模型可以做出判断。

4、实例应用

　判断信用卡发放是否有风险、搜索引擎、电商平台的推荐系统、语音识别、人脸识别

　无人驾驶、安全领域、医疗领域、金融领域、市场领域、智能翻译

 

二、人工智能>机械学习>深度学习

1、常用机械学习算法：

　kNN、线性回归、多项式回归、逻辑回归、模型正则化、PCA、SVM、决策树、随机森林、集成学习、模型选择、模型调试

#逻辑回归、决策树、随机森林，这3种算法使用较多。

#机械学习算法的工程师总是在不停的调参；

#学习算法要会调库，但又不能仅会调库，

#搜索算法？

2、学习的问题

• 如何评价算法的好坏；
• 如何解决过拟合和欠拟合；
• 如何调节算法的参数；
• 如何验证算法的正确性；
• 算法原来的学习；
• 部分算法底层的编写；
• scikit-learn机械学习库的使用；

 

三、anaconda

语言：Python；

框架：Scikit-learn（有内置数据集，也可以通过框架下载数据集）

其它：numpy、matplotlib

IDE：Jupyter Notebook、PyCharm

数学：高数、线性代数、概率论

数据集：MINIST数据集

 

四、其它

• 数据的特征越多，并且特征真的可以反映最终预测的指标，则预测的准确度越高；
• 根据使用场景不同，机械学习从数据准备到实际应用是一个庞大的过程
• 相应领域有对应的算法：视觉领域、推荐系统领域、自然语言处理、时间序列分析、监督学习
• 真是世界采集的数据是有缺陷的，不能被直接输入给算法系统，需要进行预处理

 

转载于:https://www.cnblogs.com/volcao/p/9014977.html