机器学习笔记day01

1 机器学习概述

1 .1人工智能概述

1 人工智能起源

			图灵测试、达特茅斯会议

2 人工智能三个阶段

		1、1980年代正式形成期
		2、1990-2010年代蓬勃发展期
		3、2012年之后深度学习期

3 人工智能、机器学习、深度学习三者的关系

		机器学习是人工智能的一个实现路径
		深度学习是机器学习的一个方法发展而来

4 主要分支

		1、计算机视觉（人脸识别）
		2、自然语言处理（语言识别、语义识别）
		3、机器人

5 人工智能必备三要素

		数据、算法、计算力

6 gpu与cpu

		gpu：计算密集型
		cpu：IO密集型

1 .2人工智能概述

1 定义

		从数据中自动分析获取模型，并利用模型对未知数据进行预测

2 工作流程

		1、获取数据
		2、数据基本处理
		3、特征工程
		4、机器学习（模型训练）
		5、模型评估

3 获取到的数据集介绍

		1、专有名词：样本、特征、目标值（标签值）、特征值
		2、数据类型构成： 类型一：特征值+目标值（目标值分为是离散还是连续）
					     类型二：只有特征值，没有目标值
		3、数据划分：训练数据（训练集）——构建模型占比0.7-0.8
					测试数据（测试集）——模型评估占比0.2-0.3

4 数据基本处理

		对数据进行缺失值，去除异常值等处理

5 特征工程

		1、定义：把数据转换成机器更容易识别的数据
		2、为什么需要特征工程：数据和特征决定了机器学习的上限，而模型和算法只是通过逼近这个上限而已
		3、包含内容：特征提取、特征预处理、特征降维

6 机器学习

		选择合适的算法对模型进行训练

7 模型评估

		对训练好的模型进行评估

1 .3机器学习算法分类

1 监督学习（有特征值，有目标值）

		目标值连续——回归
		目标值离散——分类

2 无监督学习（仅有特征值）

3 半监督学习

		有特征值，但是一部分数据有目标值，一部分没有

4 强化学习

		动态过程，上一步数据的输出是下一步数据的输入
		四要素：agent、action、environment、reward

1 .4模型评估

1 分类模型评估

		准确率、精确率、召回率、F1-score、AUC指标

2 回归模型评估

		均方根误差（RMSE）相对平方误差（RSE）
		平均绝对误差（MAE）相对绝对误差（RAE）决定系数（R^2）

3 拟合

		欠拟合、过拟合