2020-10-04 机器学习系统设计Python语言实现（第一章：机器学习的思维）

1、人机界面

后台无缝运行。

2、设计原理

定义目标和规格说明、准备和探索数据、实现、测试、部署。

2.1 问题类型

探索、描述、推理、预测、原因、机制。

2.2 问题是否正确

检查问题是否有答案或者有部分答案，若存在部分答案则可以加快进程。

2.3 任务

2.3.1 人工任务：计划、设计、实现。

2.3.2 机器任务：分类、聚类、回归。

2.3.2.1 机器学习任务：有监督学习、无监督学习、强化学习。

2.3.2.2 分类：二分类和多分类。

2.3.2.3 回归：关心连续变量，例如概率。

2.3.2.4 聚类(无监督)：可以使用任意封闭的度量值，来确定每个实例所属的聚类簇。

2.3.2.5 降维：特征预处理，将高维数据投影为一维、二维、三维数据。

2.3.2.6 错误：设计的系统中，应该具备健壮的故障和错误检测程序，需要获取从错误中学习的能力。

2.3.2.7 优化：目标函数、决策函数（在特定约束内可变）、参数（不变）、约束条件。

2.3.2.8 线性规划：线性函数总是凸函数，即只有一个极小值。

2.3.2.9 模型：解决一类问题。几何模型（线性变换）、概率模型（贝叶斯分类器）、逻辑模型（决策树）。

2.3.2.10 特征：特征选择的主要任务是从噪声中分离信号。

2.4 统一建模语言

2.4.1 类图：对系统的静态结构进行建模（类的抽象蓝图）。

2.4.2 对象图：系统运行时的逻辑视图。

2.4.3 活动图：对系统的工作流程建模（活动（圆角矩形）、路径（箭头）、决策（菱形））。

2.4.4 状态图：系统改变行为依赖于其所在状态，状态图用于对此进行建模。