机器学习介绍

一、机器学习概念

机器学习顾名思义是让机器能够像人类一样具备学习能力，能够感知世界、认知世界和改造世界。

首先我们看看人类和机器是如何学习的：

机器学习本质就是通过数据训练，使用算法挖掘事物背后隐藏的规律和本质，得到模型。

二、机器学习相关领域

机器学习相关的一些领域包括人工智能、大数据、深度学习等，它们之间的关系如下图：

三、机器学习怎么学习？

机器学习运作机理大概如下图：

训练数据集：从历史数据集中拿出一部分数据作训练集，用来训练模型；

算法选择：一般会根据业务场景和经验从多种算法中，选定一个适合该业务场景的算法

模型训练：通过算法+数据（训练集）进行训练，得到初步的模型；

模型评估：输入测试集，通过一些指标，如准确率，评估模型的好坏；如果模型好则使用该模型，

如果模型评估结果不好，则通过调整训练集、调整算法参数甚至更换算法，不断调整模型；

模型使用：将需要预测的数据输入至模型，得到最终的预测结果

四、机器学习的分类

从学习方式来说，机器学习还可分为监督学习、非监督学习、半监督学习，学习过程和上图类似，

主要区别在于训练数据集里告不告诉机器正确答案。

训练集给定了正确答案的叫监督学习，主要用于分类预测和回归预测

训练集未指定正确答案的为非监督学习，主要用于聚类

五、机器学习算法

机器学习重要的几个算法。

决策树 ：基于规则的一种分类算法

朴素贝叶斯 ：基于概率的一种分类算法，主要用于文本的分类

SVM ：主要用于非线性可分的分类算法

KNN ：基于距离的一种分类算法

线性回归：主要用于预测目标结果为连续值的问题

逻辑回归：主要用于预测目标结果为离散值的问题

神经网络 ：主要用于深度学习机器学习

六、常见的算法引擎

SparkML

R

sklearn

Caffe

pytorch

tensorflow

kera

mxnet