机器学习概述

前言

随着科技的不断更新发展，人工智能与社会生活的关系也越来越紧密。那么，人工智能和机器学习有什么关系，什么是机器学习，机器学习的模型算法有哪些，如何进行机器学习？本系列文章将从上述几个问题展开。

概述

机器学习是人工智能的一个子领域，专门研究计算机如何模拟或实现人类智能行为，以获取新的知识或技能，并不断重组完善已有知识结构的学科；从实践意义来讲，机器学习在大数据支撑下，通过各种算法让机器对数据进行深层次的统计分析，让人工智能系统获得归纳推理和决策能力，帮助人类智能延伸；

• 算法: 机器学习算法是指导计算机如何学习的规则和统计技术。不同的算法适用于不同的任务和数据类型。
• 模型: 机器学习模型是算法学习的输出。它代表了数据中的模式和关系，并用于进行预测或决策。

机器学习离不开数据、算法和模型，通常包含数据预处理、模型学习、模型评估、样本预测几个步骤。

• 数据预处理：从原始raw数据，经过（特征处理+幅度缩放、特征选择、维度约减、采样），输出测试集和训练集；
• 模型学习：根据实际场景模型选择、交叉验证、结果评估、超参选择；
• 模型评估：模型学习完成后，对模型性进行评估；
• 样本预测：新的输入数据预测

数据预处理系列文章包括：

• 《机器学习特征分析》
• 《机器学习特征构建与特征筛选》
• 《机器学习EDA探查工具Pandas profiling》

模型算法介绍篇：

• 《机器学习模型算法》

模型评估介绍篇：

• 《机器学习模型评估》

机器学习高阶autoML:

• 《机器学习自动化建模AutoML》

机器学习实战篇：

• 《机器学习Airbnb数据的民宿房价预测模型》

机器学习工具篇：

• 待补充