什么是机器学习

什么是机器学习?

核心思想就是用机器解决现实生活中的问题。
基本思路大致可以分为三部
1.将现实生活中的问题抽象成数学问题，建立数学模型。
2.利用数学的方法对这个数学问题求解，然后解决生活中的实际问题。
3.评估这个数学模型，是否解决了问题，解决的效果如何。

监督学习，非监督学习，强化学习

1.监督学习：是指我们给模型一个数据集，并给出正确答案。任务是让模型学习数据集与答案时间的对应关系。
2.非监督学习：给定数据集，但是没有给定正确答案。任务是让模型从数据集中找出潜在结构。
3.强化学习：强化学习更接近生物学习的本质。它的任务是模型如何在环境中采取一系列的行为，从而获得更大的累积回报。（经典的阿尔法狗，就是下围棋那个。）

机器学习实际操作的步骤

收集数据

收集数据是非常重要的，因为数据的质量决定的模型的质量，数据相对于模型，就好比食物相对于人。如果一个人吃的食物质量差，那么他懂得再多的健康知识，进行再多的锻炼也是不行的。

数据准备

这一步就像是洗菜，洗食物。
刚拿到手的食物（数据），会存在各种各样的问题。那么我们就需要对摘叶子（去掉残缺的数据，异常的数据）。然后还会切菜（将数据分类整理训练集，验证集，测试集）

选择模型

这一步就像是炒菜选择菜谱（模型），针对食物（数据）、顾客的口味（目的）选择合适的菜谱炒菜（选择合适的模型处理数据）。

训练

很多人，认为这一步是重要的（当然这一步确实很重要），但是台上（训练）三分钟，台下（收集数据，数据准备，选择模型）十年功。必训练过程更加重要。如果不根据食物（数据）、顾客的口味（目的）选择合适的菜谱炒菜，那最终的结果一定不怎么样（想象一下清炒王八好吃么，哈哈哈哈）

评估

一旦炒完菜（训练完成）就要尝菜，评价菜的色香味（准确率，召回率，F值等，这里根据不同的模型有不同的评价标准）

参数调整

根据评价指标，我们就要改进一下炒菜是油盐酱醋的量与比例（训练参数）

预测

我们之前忙活这么一大圈就是要为现在服务的（上菜！！！）

十五中经典的机器学习算法

监督学习

线性回归，逻辑回归，线性判别分析、决策树、朴素贝叶斯、K近邻、学习向量量化、支持向量机、随机森林、AdaBoost。

非监督学习

高斯混合模型、限制波尔兹曼机、K-means聚类、最大期望算法。