机器学习实战（一）-宏观总结

机器学习是时下流行技术，现在项目中的很多模块也开始使用机器相关算法来实现。接下来我会围绕机器学习实战相应算法总结，如存在不足，欢迎大家指出！谢谢！

一、机器学习由来

当下互联网已经得到广泛普及，在方便用户日常生活的同时，也存储了用户行为的海量数据。如何运用已有数据为我们服务，成为当下最为关注的问题。通过机器学习相关算法模型，对数据进行相应的分类和回归，降低了人工成本，同时为我们提供更为精确的预测。

相关概念：

人工智能（AI）：为机器赋予人的智能

机器学习(ML)：一种实现人工智能的方法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。

深度学习(DL)：一种实现机器学习的技术，通过建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，例如图像，声音和文本。同机器学习一样，深度机器也有监督与无监督学习之分．不同的学习框架下建立的学习模型很是不同．如卷积神经网络是一种深度的监督学习下的机器学习模型。

二、核心算法

机器学习实战算法分为两大类：监督学习和非监督学习

监督学习：KNN、决策树、贝叶斯、Logic回归、支持向量机、Adaboost元算法

无监督学习：K-均值、Apriori、FP-growth

三、入门须知

学习机器学习的算法前，大家需要大概了解一下机器学习相关概念。

1、Python语言

优势：语法清晰、易操作、使用广泛

不足：性能低（用C弥补）

2、机器学习步骤

收集数据：待测样本数据

准备输入数据：准备特定格式数据

分析输入数据：是否存在不合理数据

训练算法：使用样本数据，训练算法模型

测试算法：使用测试数据，测试上步得到的算法模型

使用算法：算法通过验证后运用于生产

3、数据类型

标称型：有限目标集中取值，如真与假，动物分类集合｛爬行类、哺乳类、……｝

数值型：目标变量用于回归分析

4、目标变量

监督学习：存在 无监督学习：不存在

四、相关概念

1、知识表示

在人工智能里，其主要目标为储存知识，让程式能够处理，达到人类的智慧。

知识表示：假定鸟分类，经过测试满足精度要求，机器是否可以区分鸟类这个过程

2、训练数据和测试数据

训练数据目的是训练模型

测试数据是验证训练模型

五、小结

以上是对机器学习较为基础的总结，接下来会对机器学习相关算法进行相应介绍。