机器学习基础(一)
emm... 那个第一篇文章,简单的自我介绍一下,机器学习小白,希望和大家一起进步,有什么问题可以留言一起探讨。
本文撰写于2020/1/1 是本人学习机器学习时,做的笔记摘要,为方便日后查漏补缺,以博客的形式粘贴出来,文中所引数据及内容仅作学习之用。
机器学习是人工智能的一个子集,目前已经发展出许多有用的方法,比如支持向量机,回归,决策树,随机森林,强化方法,集成学习,深度学习等等,一定程度上可以帮助人们完成一些数据预测,自动化,自动决策,最优化等初步替代脑力的任务。本章我们主要介绍下机器学习的基本概念、监督学习、分类算法、逻辑回归、代价函数、损失函数、LDA、PCA、决策树、支持向量机、EM算法、聚类和降维以及模型评估有哪些方法、指标等等。
1 基本概念
机器学习(Machine Learning, ML),顾名思义,让机器去学习。这里,机器指的是计算机,是算法运行的物理载体,你也可以把各种算法本身当做一个有输入和输出的机器。那么到底让计算机去学习什么呢?对于一个任务及其表现的度量方法,设计一种算法,让算法能够提取中数据所蕴含的规律,这就叫机器学习。如果输入机器的数据是带有标签的,就称作有监督学习。如果数据是无标签的,就是无监督学习。
1.1 ML各种常见算法图示
日常使用机器学习的任务中,我们经常会遇见各种算法。
回归算法
聚类算法
正则化方法
决策树学习
贝叶斯方法
基于核的算法
:----------------------:
:----------------------:
:----------------------:
聚类算法
关联规则学习
人工神经网络
:----------------------:
:----------------------:
:-----------------------:
深度学习
降低维度算法
集成算法
:-----------------------:
:-----------------------:
:-----------------------:
1.2 导数的计算
计算图导数计算是反向传播,利用链式法则和隐式函数求导。<