人工智能机器学习

前言

• machine learning（ML）机器学习是一门从数据中研究算法的科学学科
• 从广义上来说，机器学习是一种能够赋予机器学习的能力以此让他完成直接编程无法完成的功能的方法。但从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法
• 备注：机器学习就是模拟人决策过程的一种程序结构

• 深度学习是机器学习的子类，深度学习是基于传统神经网络算法发展到隐层的一种算法体现
• 机器学习是人工智能的一个子类

没有完美函数来诠释

• 算法（T）：根据也无需要和数据特征选择的相关算法，也就是数学公式
• 模型（E）：局域数据和算法构建出来的模型
• 评估/测试（P）：对模型进行评估的策略
• 
• stock data ——>ML ——>more investment gain

算法的类别

• 分类
  • 通过分类模型，将样本数据集中的样本映射到某个给定的类别中（在模型构建之前类别信息已经确定了）是或非
• 聚类
  • 通过聚类模型，将样本数据集中的样本分为几个类别，属于统一类别的样本相似性比较大
• 回归
  • 反映了样本数据集中样本的属性值的特性通过函数表达样本映射的关系来发现属性值之间的依赖关系
  • 

机器学习分类

• 有监督学习
  • 训练样本同时包含特征和标签
  • 线性回归算法、BP神经网络算法、决策树、支持向量机、KNN
• 无监督学习
  • 训练样本的标记信息未知
  • 常见的有：密度估计、异常检测、层级聚类、EM算法、K-Means算法
  • 新技术、新思想有知识储备嘛？
• 半监督学习
  • 使用大量的未标记数据、同时使用标记数据
  • 要求尽量少的人员来从事工作，同时又能够带来比较高的准确性
  • 产品设计能力具备吗