机器学习概述

Part1、机器学习概述

1.1

人工智能主要方向：工程方向和学术

三要素：数据、算力、算法

实现方式：将数据数字化---->>$x\in X$（属性值，特征属性）<<----输入数据 ---->>模型（算法+数据）---->>输出 $y\in Y$（目标值）—>>>评估、测试

目标：拟合目标（近似的函数映射关系，让目标函数的结果与实际值尽可能地接近）

欠拟合：日常练习做题一般（训练数据），考试每道题都做的不好（测试数据）。

过拟合：平常练习题基本全对（训练数据），过度重复原题做，考试出现新题就gap了（测试数据）。

1.2

机器学习工具：scikit-learn # pip install scikit-learn

机器学习应用场景 ……

机器学习一般流程：数据收集—>数据预处理—>特征提取—>模型构建—>模型测试评估—>模型部署与整合—>迭代优化

机器学习的分类1：

1.有监督学习：有标签（分基于条件概率$p(y|x)$的判别式模型和基于联合概率$p(x,y)$的生成式模型）

2.无监督学习：无标签（如：聚类）

3.半监督学习：少量标注+大量无标注

机器学习的分类2：

分类、回归（注：连续数据可以离散化）、聚类、关联规则