第一章《绪论》

一、什么是机器学习？

人类的学习：经验+不断提高技能

机器的学习：数据+不断提高“技能”（此处的技能可以是：计算机系统、程序、算法等）

机器学习的定义：假设用P来评估计算机程序在某任务T上的性能，若一个程序通过利用经验E在T任务上获得性能提升，则我们就说关于T和P，该程序对E进行了学习。

机器学习还有其他的一些通俗定义，但总的来说就是计算机+经验+改善性能，从而产生“模型”用于对新的数据进行判断。

二、基本概念

训练集：用于机器学习的输入，获取“经验”

学习算法：不同的场景会用到不同的学习算法

模型：通过设定好的学习算法和训练集得出的针对某一问题的解决办法

测试集：用于对模型的评估，测试模型解决某一问题的效果

三、应用领域

模式识别、计算机视觉、数据挖掘、语音识别、统计学习、自然语言处理等

四、人工智能、机器学习与深度学习的关系

人工智能：机器展现的人类智能

机器学习：计算机利用以后的数据（经验），得出的某种模型，并预测未来新数据的一种方法

深度学习：实现机器学习的一种技术

五、发展历程

1950-1956：图灵发表《计算机器与智能》，提出并尝试回答“机器能否思考”。达特茅斯会议，首次定义了概念--人工智能

1956-60/70年代：平静期

70-80年代：推理期

80-90年代：知识期

90-2006年：学习期

直到现在：蓬勃发展期

六、发展趋势

鲁棒性：T.Dietterich强调：随着人工智能技术的发展，越来越多地面临高风险应用，因此人工智能必须要有“鲁棒性”（也就是更正错误的鲁棒）。

泛化性：应用于新的样本数据，也能取得较好的效果。（这是难点也是重点）

可解释性：对模型内部机制的理解和模型结果的理解。

发展趋势：小样本学习   and    感知智能->认知智能

七、机器学习的类型

监督学习(有标签Y)：回归、K近邻、SVM、决策树、朴素贝叶斯、逻辑回归、XGBoost、Lightgbm

无监督学习(无标签Y)：聚类、降维算法、EM算法

强化学习(序列决策)：马尔科夫决策方法

八、机器学习的一般步骤

数据搜集：数据集的获取方式有很多

数据清洗：错误数据，重复数据等的清理

特征工程：特征提取，在原始数据中提取并创建新特征；特征选择，留下最重要的特征

数据建模：选择指标最佳的机器学习模型进行参数优化，最后得出最佳结果

九、拟合

欠拟合：对训练集都拟合不好，对测试集自然也不佳

较好拟合：对训练集拟合较好，对测试集也较好

过拟合：对训练集拟合过好，对测试集拟合不好

 十、需要掌握的python模块

numpy

pandas

scipy

matplotlib

scikit-learn