机器学习——基础

什么是机器学习

程序从经验中（E）学习，达到一定的性能（P），完成特定的任务（T）

机器学习的应用

无人直升机，手写体识别，大量的自然语言处理，电脑视觉

机器学习的例子

监督学习

回归：房价预测
分类：垃圾邮件分类、肿瘤分类

非监督学习

聚类：新闻分类、基因分类、组织计算集群、社会网络分析、市场划分、天文数据分析、鸡尾酒会问题
降维：瑞士卷问题

关于机器学习需要的数学基础

矩阵基础

矩阵：由数字组成的矩形阵列
矩阵的维度(shape): 矩阵的行数 x 矩阵的列数
矩阵加法：需要满足行列式的维度相同才能计算
矩阵乘法：Ａ＊Ｂ＝C 需要满足矩阵Ａ的列数　＝　矩阵Ｂ的行数，矩阵通常是不满足交换律，
即Ａ＊Ｂ不一定等于Ｂ＊Ａ
对于任意矩阵Ａ：Ａ＊Ｉ＝Ｉ＊Ａ＝Ａ
逆矩阵：Ａ＊Ａ逆＝Ａ逆＊Ａ＝Ｉ
不是所有的矩阵都有逆矩阵，只有矩阵的行列式值不为０的矩阵才有逆矩阵
矩阵转置：即将矩阵的行和列进行调换

python的矩阵使用

创建３＊３的单位矩阵　np.zeros((3,3))
创建24的1矩阵 : np.ones((2,4))，默认是浮点型的数据，
创建二维随机矩阵：np.random.rand(2,2) 注意没有多余的()
创建33的0-10之间的随机整数矩阵：np.random.randint(10,size=(3,3))
创建2-8之间的随机整数矩阵：np.random.randint(2,8,size=[2,5])
创建2*2的单位矩阵：np.eye(2,2,dtype=int) #注意没有多余的()
创建对角矩阵：np.diag([1, 2, 3])
创建有序矩阵：np.arange(2,12,2)
按列或行求和：np.sum()
按列或行求最大值： np.max()
按列或行求最小值：np.min()
列或行最大值的索引：np.argmax()
列或行求最大值的索引：np.argmin()

向量基础

向量：在数学中，向量（也称为欧几里得向量、几何向量、矢量），指具有大小和方向的量。与向量对应的只有大小，没有方向的量叫做数量（物理学中称标量）

导数

常数函数：y = C                                           导数y'=0
一次函数：y = ax+b									 	 导数y'=a
二次函数：y = ax²+bx+c									 导数y'=ax+b
指数函数：e^x^											 导数y'=e^x^
对数函数：y = lnx                                         导数y'=1/x
逻辑函数：y = g(x)=1/(1+e^-x^)             			  	 导数y'=g(x)*(1-g(x))