机器学习 第一章 机器学习基础

1.1机器学习概述

1.1.1机器学习简史

略

知识推理期-->知识工程期-->浅层学习-->深度学习

1.1.2主要流派

1、符号主义

用符号表示知识，并进行逻辑推理；代表：专家系统、知识工程。

2、贝叶斯分类

基础：贝叶斯定理。

应用：自然语言中的情感分类、自动驾驶中对汽车周围情况的分类和垃圾邮件过滤。

3、联结主义

起源于神经学，主要算法是神经网络，模拟人脑神经元的连接方式，从大量的数据中学习并优化网络连接，以实现智能行为。

应用：深度学习、语音识别、图像识别、自然语言处理、机器人控制。

4、进化计算

通过程序迭代模拟生物进化过程中“优胜劣汰”的自然选择机制和遗传信息的传递规律这一过程，把要解决的问题看作环境，在一些可能的解组成的种群中，通过自然演化寻求最优解。

算法：遗传算法、进化策略、进化规划、遗传编程、差分进化、粒子群优化。

应用：优化问题、机器学习、工程设计

5、行为主义

行为主义强调只关注可观察的行为，而忽略个体内部的心理过程。它认为人类和动物的行为是对外部刺激的响应，通过学习和环境塑造可以改变行为。

应用：教育、训练、心理治疗、广告、营销等多个领域。

1.2机器学习、人工智能和数据挖掘

1.2.1什么是人工智能

让机器的行为看起来像人所表现出来的智能行为一样。

阶段：弱人工智能（目前阶段）-->强人工智能-->超人工智能

1.2.2数据挖掘

个从大量数据中提取隐藏在其中的、事先未知的、但潜在有用的信息的过程。这个过程旨在建立决策模型，以便根据过去的行动数据来预测未来的行为。

技术：异常检测、关联规则学习、聚类、分类、回归。

1.2.3机器学习、人工智能和数据挖掘的关系

机器学习是人工智能的一个分支，也是人工智能的核心技术，而数据挖掘的很多的算法都来源于机器学习。

1.3机器学习应用的典型领域

图像处理、金融、医疗、自然语言处理、网络安全、工业、娱乐业。（下面的来自AI）

1. 自然语言处理（NLP）：
   • 机器翻译：通过训练大量双语或多语文本数据，使计算机能够自动将一种语言的文本转换为另一种语言。
   • 文本分类：对文本数据进行分类，如新闻分类、情感分析等。
   • 语音识别：将人类语音转换为文本，广泛应用于智能手机、智能家居等设备中。
2. 图像识别与分类：
   • 人脸识别：用于安全监控、身份验证等领域。
   • 图像检索：通过图像内容搜索相似或相关的图像。
   • 物体识别：在自动驾驶、工业检测等领域中识别道路标志、产品缺陷等。
3. 推荐系统：
   • 在电商平台上，根据用户的浏览、购买历史等信息推荐商品。
   • 在社交媒体中，推荐用户可能感兴趣的内容或好友。
4. 金融风控：
   • 欺诈检测：通过分析交易数据，识别潜在的欺诈行为。
   • 信用评估：基于用户的信用历史、行为数据等评估其信用风险。
5. 医疗健康：
   • 疾病诊断：通过分析医学影像、患者症状等数据辅助医生进行诊断。
   • 药物研发：利用机器学习算法加速药物筛选和临床试验过程。
6. 自动驾驶：
   • 视觉感知：识别道路标志、行人、车辆等障碍物。
   • 路径规划：根据路况、交通规则等信息规划最优行驶路线。
7. 工业制造：
   • 质量控制：通过图像识别、数据分析等手段检测产品缺陷。
   • 预测性维护：预测设备故障，提前进行维护，减少停机时间。
8. 网络安全：
   • 恶意代码检测：识别网络中的恶意软件、病毒等。
   • 网络攻击识别：分析网络流量，识别潜在的攻击行为。
9. 环境保护：
   • 气象预测：利用历史气象数据预测未来天气情况。
   • 大气污染监测：实时监测空气质量，分析污染源。
10. 智能助手：
    • 如Siri、Alexa等，能够执行设置提醒、查询天气、播放音乐等多种任务，提升用户生活便利性。

1.4机器学习算法

机器学习的算法可以分为四类：监督学习、无监督学习、强化学习、半监督学习

（1）1、监督学习

        2、无监督学习

        3、强化学习

（2）1、分类算法

        2、聚类算法

        3、关联分析

        4、回归分析

        5、深度学习

1.5机器学习的流程

1、明确目标任务

2、收集数据、

3、数据预处理

4、数据建模

5、模型训练

6、模型运用