机器学习一 集成学习

一、何为机器学习？

机器学习最近那么火，博主自学习以来，也看过不少有关机器学习的资料，首先对于机器学习的定义就又五花八门，什么让机器像人一样去学习，说的总感觉有些浮夸而不现实，把机器学习搞的也太神秘了，有幸看了吴恩达的课程，最喜欢课程里吴恩达引用的卡内基梅隆大学，Tom Michael Mitchell 1997年对机器学习下的定义:

A computer program is said to learn from experience E with respect to some task T and some performance measure P,if its performance on T,as measured by P,improves with experience E.

简单来讲就是：

对于某给定的任务T，在合理的性能度量方案P的前提下，某计算程序可以自主学习任务T的经验E；随着提供合适，优质，大量的经验E，该程序对于任务T的性能逐步提高。

我觉得这个思想也一直贯穿着机器学习的方方面面。

这里最重要的机器学习的对象：

任务Task,T, 一个或者多个

经验Experience,E

性能Performance，P

即：随着任务的不断执行，经验的积累会带来计算性能的提升。

二、Python概述

这里简单介绍下python语言，相信研究机器学习的人里，用python的人还是比较多的。

python数据分析大家族

1）numpy数据结构基础

开源的数值计算扩展：用来存储和处理大型矩阵，定义了数据分析的数据结构基础

2）scipy强大的科学计算方法（矩阵分析，信号分析，数据分析）

3）matplotlib丰富的可视化套件（又称：MLlib）（用来做各种图表）

用来绘图的，相当于一个绘图库。

4）pandas:基础的数据分析套件（一些比较基础的数据分析）

5）scikit-learn：强大的数据分析建模库（支持人工神经网络）

6）keras：人工神经网络（可以实现深度神经网络）

三、分类和决策树

我们讲机器学习的典型任务包括：回归ÿ