机器学习导论-绪论

刚开始学习人工智能，在这里把自己学习人工智能的感悟、体会和里程进行下记录。好的学习必须得到大家的积极反馈。

 

学习关联性：

解决形如超市商品，购买了A商品，大部分人都会购买B商品。没有购买B商品的人就是潜在顾客。这时候就可以采取捆绑销售策略。可以用下面的函数进行表示 P（B/A）= 0.75,表示购买了A商品的人，百分之75购买了B商品。

 

分类问题：

根据大量数据，总结出模型，为未来决策提供依据。

回归问题:

通过大量数据，来寻找结果与输入之间的函数关系。

分类问题与回归问题都是监督性学习问题。监督学习的实质是学习输入与输出的映射关系，机器学习的数据已经给定包括输入与输出。

 

 

非监督学习：

非监督学习只有输入数据，用来发现输入数据之间的规律。

我们希望知道哪些经常发生，哪些不经常发生，在统计学中这被称为密度估计。

密度估计有一种方法叫聚类，将具有类型性质的对象合并到一组。

 

增强型学习：

做一件事情，实际上是有序动作的集合。这个集合有好坏之分的区别就在于这些动作的序列。

增强型学习就是机器能够评估一个序列的好坏，并从以往好的动作序列中进行学习。

 

 

 

机器学习并不是用来模拟人类和动物的学习过程，而是像其他工程领域一样用来建立一个有用的系统。（这点有点不明白，现在网上很多信息都是说在模拟人脑的思维过程，难道现在机器学习分为了两个学派1、数据派2、思维派）

 

几乎所有的科学领域都是通过实验获得数据，然后进行数据分析，归纳出模型。机器学习也是这样对数据进行分析，并归纳出模型，然后对行为进行预测。

 

机器学习的一个重要功能就是自动的分析数据获取信息。

 

 

练习：

 

第一种方法的优点高保真，缺点速度慢

第二种方法的优点速度快，缺点可能丢帧。

 

要匹配的字符在模版中没有对应的字符，这时候就会出错。

条码读取器仍在使用是因为数字是固定的，不会出现特例。

 

 

标记垃圾邮件的方法 1、特定的发现人 2、正文有敏感的关键词

希望计算机把他们放到另一个文件夹中，避免误删除。

 

输入是目的地 输出是把人送到目的地。通过语音识别来和乘客沟通。与其他出租车沟通需要出租车之间约定俗成的语言。

 

 

寻找购买x的顾客，进而寻找到购买x的顾客中有多少购买了y，形成一个P=(ｙ| x).多余三个的可以形成P=(Z|Y|X).

 

上面反应的问题是非监督性学习问题，通过用户大量的操作，发现输入之间的规律进而预测接下来的步骤。对于用户习惯性的动作来说是有用的，如果用户的习惯发生了改变那么就会变得令人讨厌。

 

我会进行特定大小矩阵的取样 比如2x2  3x3 .... 进而设计出不会因为缺少某部分就是被不出来。

 

回归问题，绝对价格没有意义，折旧率更能反映一个车的实际价值。