机器学习概念

学习目标：

1. 知道AI，ML，DL是什么？
2. 了解AI、ML、DL之间的关系
3. 知道自动学习和规则编程的区别

人工智能的三大概念分为：人工智能（AI）、机器学习（ML）和深度学习（DL）。

机器学习是实现人工智能的一种途径。

那么如何进行简单的认知学习呢？这里讲述最常见的两种方式。

通常在已有的规律下，程序员会设置一套代码规则，进行预测结果。

当然，也有一些问题无法写出规则，这类问题通常不能用一套代码来进行行为预测。

我们可以通过已经掌握某一领域的数据集，来训练机器学习模型。在市场变动不会太大的时候，来预测未来这一领域可能发生的事情，例如股票涨跌，房价增幅等等。

练习：

有关人工智能概念说法正确的？（多选）
A）实现人工智能的方法很多，其中机器学习是实现人工智能一种途径、一种方法
B）广义上深度学习是从机器学习发展而来的，两者有区别还有联系
C）深度学习方法是大脑仿生，深度学习方法从机器学习发展而来
D）机器学习就是基于模型自动学习事物特征，而不是程序员手工的编写规则
E）深度学习和机器学习都有各自的应用场景。在研究领域中要根据待解决的问题来选择合理的方法。

答：ABCDE

二、机器学习的应用领域和发展史

学习目标：

1. 了解机器学习的应用领域
2. 了解人工智能的发展史
3. 能说出机器学习发展三要素

机器学习在众多领域譬如无人驾驶，智能医疗，智慧交通等等领域都可以起到关键性的作用。人们生活的出行越来越离不开人工智能了。

三、机器学习常用术语
样本、特征、标签、训练集和测试集

学习目标：

1. 知道样本是什么？
2. 知道特征是什么？
3. 知道标签/目标值是什么？
4. 理解数据集划分的方法

样本和数据集在机器学习阶段是必不可少的一环。

选择哪种方法取决于数据的特性、任务需求以及计算资源。在实际应用中，通常优先考虑保持训练集和测试集的数据分布一致性。

四、机器学习算法分类
有监督学习、无监督学习、半监督、强化学习

学习目标：1. 知道有监督学习是什么？
2. 知道无监督学习是什么？
3. 知道半监督学习是什么？
4. 了解强化学习是什么？
5. 能掌握监督学习、无监督学习的数学表示

离散：分类

连续：回归

把目标问题分为分类问题和回归问题往往可以快速解决一类问题。

部分样本有目标值、
部分数据无目标值。

输入动态的数据，决策+回
报函数（每个转态目标值是
变化的）。

强化学习目的是为了获得更多奖励进行一系列决策过程。

练习：

机器学习算法可分为哪些类别？分别说一说各自的特点？
1 按照学习方式分类可分为: 监督学习, 无监督学习, 半监督学习, 强化学习
2 监督学习: 输入训练集数据包含输入特征值和目标值
回归: 函数的输出是一个连续的值
分类: 函数的输出是有限个离散值
3 无监督学习: 输入训练集数据是由输入特征值组成，没有目标值
比如：聚类根据样本间的相似性对样本集进行分类
4 半监督学习: 训练集同时包含有目标值的样本数据和不含有目标值的样本数据
5 强化学习: 智能体不断与环境进行交互，通过获取最大奖励的方式（试错的方式）来获
得最佳策略；主要包含四个元素：Agent(智能体)，环境(Environment)，行动(Action)，
奖励(reward)

五、机器学习建模流程

学习目标：

掌握机器学习建模流程

机器学习建模流程通常包括以下几个主要步骤：

确定问题和目标。明确要解决的问题和所需达到的目标，这有助于定义建模的范围和确定所需数据。
数据收集和预处理。收集与问题相关的数据，并对数据进行预处理，包括数据清洗、处理缺失值、处理异常值等，以确保数据的准确性和一致性。
特征工程。通过提取、构建和选择合适的特征来优化数据集，这可以包括特征缩放、特征降维、特征组合等操作，以提高模型的性能。
模型选择和训练。根据问题的性质和数据的特点，选择合适的机器学习或统计模型，然后使用训练数据对选定的模型进行训练，并进行参数调优。
Day1.学习结束。