机器学习概念性总结

目录

机器学习分为监督学习和无监督学习。

对Python中几个流行的机器学习模块做概要介绍：

—— Sklearn（Scikit-Learn）模块

1. sklearn功能组成

2. sklearn的使用

—— TensorFlow 模块

—— PyTorch 模块

—— Keras 模块

—— Gensim 模块

—— Caffe 模块

---

机器学习分为监督学习和无监督学习。

—— 监督学习：

在处理数据过程中以标签数据为预测目标方向进行模型创建，包括分类和回归两种模型。

1. 分类模型：从已标记的数据中学习如何预测为标记数据的类别，比如手写数字识别、车牌识别等等，目标变量是离散型数据。
2. 回归模型：是对连续变量进行预测的一类模型，它分析预测自变量和因变量之间的关系，比如根据父母的身高统计数据去预测下一代的身高数据、股票跌/涨等等。

—— 无监督学习：

训练数据由一组输入向量组成，不包含任何相应的目标值（标签字段），目标是发现数据中的相类似的数据组（称为聚类）或判断输入空间内的数据分布（称为密度估计），或将高维数据投影到低维子空间等等。无监督学习的模型包括聚类、关联规则、生存分析等等。

如图所示是针对一个具体业务问题进行机器学习（数据挖掘）的流程，称为CRISP（CRoss Industry Standard Process）。

对Python中几个流行的机器学习模块做概要介绍：

—— Sklearn（Scikit-Learn）模块

它是为有监督和无监督机器学习设计的高级算法框架，作为Python科学计算生态