###1、基础学习
-
学习前提
- 学习过高等数学,例如微积分,线性代数,概率论等,对数学要求较高,但入门时勉强知道基本知识就可以。
- 有一定的编程基础,接触过python最佳。
-
学习目标
- 理解机器学习的基本概念
- 学会对原始数据进行抽象处理
- 会使用python的机器学习相关库
- 对常见的算法有个基本认识
-
课程内容
- 机器学习基本概念
- 监督学习(分类、回归)
- 非监督学习
###2、机器学习
-
概念
- 多领域交叉学科,涉及概率论,极限,统计,凸分析等多门学科,主要研究计算机模拟和实现人类的学习认知行为,使得计算机能自主获得知识或技能,学习也就是计算机自己不断优化和重组自身的过程。
-
学科定位
- 人工智能(Artificial Intelligence ,AI ),使计算机具有智能的一种途径,应用遍及各个领域,主要使用归纳综合。
- 举例: 针对具体经验E (experience) 和一系列的任务 T (tasks) 和一定表现的衡量 P,如果随之经验E的积累,针对定义好的任务T可以提高表现P,就说计算机具有学习能力。例子: 下棋,语音识别,自动驾驶汽车等。
###课程总结
- 监督学习(回归问题)
- 简单线性回归
- 多元线性回归
- 非线性回归
- 相关系数、R平方值
- 监督学习 (分类问题)
- 决策树算法
- KNN算法
- SVM算法
- 神经网络算法
- 非监督学习
- K-means 算法
- 层次聚类算法