机器学习—01初步探究

终于要开始踏入我梦寐以求的人工智能的大门，希望不会是从入门到放弃。。。。。。干巴爹。。。。

一、导论

1、机器学习和人工智能

人工智能：用计算机来实现人类的智能 例如，去模仿人类的知觉、推理、学习能力等，从而让计算机能够像人一样思考和行动 。

机器学习：其实是人工智能很重要的一部分，因为目前，在实践过程中，大多数的人工智能处理的任务，其实是用机器学习的方式完成的。

简单的说，机器学习是人工智能的子集。

机器学习是现阶段人工智能的核心技术，是通过统计学原理，来对数据进行分析与建模

2、人工智能的分类领域

模式识别，图像识别，语言识别，自然语言处理（NLP）

图像识别应用领域:
(1)自动驾驶 ----> 深度神经网络 / 图像识别 / 模式识别
（2）图像识别 / 图像处理 ----> 深度神经网络/ LSTM
（3）工业自动化 ----> 机器学习 / 图像识别
（4）光学影像 ----> 深度学习 / 模式识别
等等

NLP应用领域：
（1）数据分析 ----> 大数据（Hadoop / Spark / MR, 深度学习 / LSTM, NLP）
（2）文本分析 ----> 模式识别 / NLP / LSTM
等等

语音识别应用领域:
（1）个人助手 -----> 深度学习
（2）自动话务员 -> 深度学习/模式识别/LSTM
（3）声纹识别 -> 深度学习/LSTM
等等

3、机器学习的基本方法

逻辑推理和数据训练

机器学习的基本思想是通过大量数据的学习，找到一定的规律（这个规律就叫做模型），当有新数据出现时，把新数据带入模型。
优点:
（1）速度快
（2）高度抽象化，简单易用
缺点：
（1）极度依赖数据
（2）模型的好坏至关重要

4、机器学习的难点

（1）不是在根据逻辑判断，是依靠数据，所以会从在一些小的逻辑错误

当你对你的Siri说： “推荐附近的餐厅不要日本菜” 它可能只是提取出了 “附近” ，“餐厅” ， “日本菜”， 所以并没有给出我们想要的答案。

（2）罗素鸡
现阶段的主流的基于统计的人工智能算法，是通过大量的案例，靠对数据的特征进行归类，来实现识别效果。
如果你没有选用合适的特征范围对数据进行分析，可能会出现偏差。

如何克服这个问题：
深度学习和强化学习
深度学习和普通机器学习的区别：通过更高的复杂度，加强了让机器自我归纳总结的能力，并且通过规则的设计，让算法的扩展性更大
普通机器学习算法：一般就一个公式，一层推导，比较直接
深度学习算法：多个公式，多层推导，层层递进
强化学习和普通机器学习的区别：强化学习模拟人的认知过程，加入评价体系

（3）有些情况是要在特定的环境下，或者是需要人们的一些常识来做出判断的。
比如我们说:
“四川火锅比日料更好，因为它很辣”
“四川火锅比日料更好，因为它不辣”
我们可以跟明确的指出其中的 “它” 分别指谁
但是如果直接说
“A比B更好，因为它很辣”
我们并不能清楚的知道这里的原因

5、机器学习的基本步骤

6、机器学习需要涉及的数学知识

高等数学
线性代数
概率论与数理统计
（考研数一的童鞋疯狂点头。。。。。）
不过不要怕，不是整本书，部分章节
什么高斯分布函数，导数，矩阵等等。。。。

二、几个基本概念

1、简单的机器学习流程

我们主要用的还是第二个

2、训练集，验证集（开发集），测试集

在机器学习和模式识别等领域中，一般需要将样本分成独立的三部分：
训练集（train set），验证集（validation set ) 和测试集（test set）。

其中训练集用来估计模型，
验证集用来调整参数，
测试集用来测试模型准确度

3、常见的机器学习算法

scikit - learn 库
分类， 回归， 聚类， 降维， 模型选择， 预处理

4、有监督机器学习，无监督机器学习

有监督机器学习：我们要教会计算机做某些事情
我们给算法一个数据集，其中包含了正确答案，算法的目的就是给出更多的正确答案。
就是给出了x, y的值
举例： 分类

无监督机器学习：让计算机自己去做某些事情
我们给算法一个数据集，但是不给他正确答案，而让计算机自己去学习
就是只给出了x 值
举例： 聚类