【机器学习】机器学习入门概述

机器学习

基本流程

1. 数据获取 ：大量数据
2. 数据预处理：归一化，离散化、去除共线性（清洗数据，提高算法效果）
3. 特征工程：筛选显著特征，摒弃无用特征（数据和特征工程决定机器学习上限，算法决定模型上限）
4. 机器学习（模型训练）：选模型，调参优化
5. 模型评估（效果预测）：过拟合、欠拟合；精准率（P），召回率（F）

机器学习算法分类

监督学习

数据集全部包含标签，标签在学习过程中起监督作用（猫、狗、兔子）

房价预测，图像分析

无监督学习

数据集全部没有标签（自主学习数据映射关系。没有标签主要是因为数据太乱、标注成本高、区分难度大）

客户分类、购物行为分析

半监督学习

部分数据集包含标签；对小部分数据起监督作用（通过已知标签的小部分数据，使用所有数据样本）

文本分类、

强化学习

基于环境的反馈行动，通过不断与环境交互，最终完成特定目标。

无人驾驶

机器学习场景适用性

适用场景

1. 有大量经验数据或者特征可以借鉴；
2. 应用场景和条件简单清晰，比如下棋
3. 寻找最优解比较慢或者复杂的时候
4. 文本翻译等感知性问题

不适用场景

1. 缺乏数据系统训练
2. 准确计算、或者有明确映射关系
3. 逻辑证明

深度学习十问

1. 神经网络由什么构成
2. 为何分层，我们期待中间层做什么
3. 中间的“连线”是在干什么
4. 这个网络参数量有多大
5. 层与层之间如何互相影响
6. ”正向传播“这么复杂？编程困难吗？
7. 从0到部署模型，有哪些步骤
8. 深度学习和传统机器学习算法有哪些优势？
9. 深度学习繁荣的关键？

深度学习场景

• cv
• NLP