机器学习概念

机器学习概念

如果一个程序，在执行某个任务的过程中，能够利用现有的经验数据不断的完善与提高完成既定任务的性能，这个程序就是具有学习能力的。

三个特点：经验、任务、性能

一、经验

我们习惯上把已知数据看做经验：在客观世界中所有的信息都可以进行数据量化，也就可以看做经验数据。

数据的向量化：我们在取描述一个客观事物的时候一般会用一个向量来描述，在这个向量中每一个值就代表了该事物的一个特征，这个向量被称为特征向量。

二、任务

利用现有的经验数据，根据特定的算法模型，对数据进行归纳总结进而对未知数据进行预测，或者对已知特征进行分析。根据任务的数据特点和算法特点，可以把任务分为监督学习和无监督学习

监督学习

监督学习的主要任务：有已知数据来预测未知数据

数据特点：由特征和标签两部分构成

根据标签的不同类型可以将监督学习分为：分类问题和回归问题

分类问题：标签就是数据预测的类别，它是离散的、没有相互关联的、数量是明确的

回归问题：标签是预测的具体数值，它是连续的、相互关联的、不明确的

监督学习的算法

k-近邻

线性回归

贝叶斯

决策树

支持向量机

集成学习

无监督学习

无监督学习主要任务：对客观事物的本身特征进行分析

数据特点：只有特征没有标签

技术手段：聚类，特征降维，分词法等

聚类：把特征相近的样本归为一类

三、性能

性能评测：

​ 分类问题：准确率、精确率、召回率等
​ 回归问题：均方误差、平均绝对误差等

深度学习

​ TensorFlow基础

​ 全连接神经网络、卷积神经网络、循环神经网络（NLP）