YS_20190814_机器学习_01

人工智能学习

Python

利用Python解析数据集速度、效率方面比较轻量级！

• 轻量级指的是部署到服务器里面，可以提高服务器访问并发！
• 轻量级指的是业务与业务之间的逻辑性很强，兼容性很强、降低耦合度！
• 轻量级指的是业务与数据之间的一种关系体现很轻，简单说：获取数据集的方式很快、多样化

ssm、shh、ssi、ssp框架：

• SSM：（Spring+SpringMVC+MyBatis）框架集由Spring、MyBatis两个开源框架整合而成（SpringMVC是Spring中的部分内容）。常作为数据源较简单的web项目的框架。
• SSH：是 struts+spring+hibernate的一个集成框架，是目前比较流行的一种Web应用程序开源框架。集成SSH框架的系统从职责上分为四层：表示层、业务逻辑层、数据持久层和域模块层，以帮助开发人员在短期内搭建结构清晰、可复用性好、维护方便的Web应用程序。其中使用Struts作为系统的整体基础架构，负责MVC的分离，在Struts框架的模型部分，控制业务跳转，利用Hibernate框架对持久层提供支持，Spring做管理，管理struts和hibernate。
• SSI：（Spring+Struts+iBatis）SSI框架能够降低代码的耦合度，增强了代码的健壮性和可重用性，加快了开发速度，但是也有一些不足之处，比如由于三种框架的配置文件较多，也会带来了一些不便，特别是对于较小的应用来说更是如此。
• SSP：SSP模型是利用机器学习算法的容错性构建的一种并行计算模型，机器学习的容错性是指在误差容许的范围内，算法迭代计算过程中可以存在一定的误差。

引用自：
https://baike.baidu.com/item/SSH/5400403
https://baike.baidu.com/item/SSM/18801167
SSI
SSP

Java语言也可以实现人工智能的 操作数据 ----不建议 —重量级

1. 重量级的操作，不适合"数据集的"采集操作
2. 重量级操作不适合数据集的清理操作
3. 重量级的业务与数据之间很难进行数据解析操作

机器学习

概念：

• 拟合： 构建的算法符合给定数据的特征 x?i? :表示第i个样本的x向量 xi : x向量的第i维度的值，指的是目标数据和预测数据几乎吻合。
• 鲁棒性： 也就是健壮性、稳健性、强健性,是系统的健壮性；当存在异常数据的 时候，算法也会拟合数据
• 过拟合： 算法太符合样本数据的特征，对于实际生产中的数据特征无法拟合，目标数据和 预测数据差距太大。
• 欠拟合： 算法不太符合样本的数据特征

1. 机器学习需要 ----“思考”、
2. 机器学习是一门从数据中研究算法的科学学科。
3. 如何实现 “数据” 到 "算法"的过程?
   数据采集（Python）、数据分析（Python）、数据挖掘（hadoop）、模型建立（算法）、预测未来（机器）

机器学习的算法公式思想

数据1： X轴 x1 x2 …xn
数据2： Y轴 y1 y2…yn
目标值： xn→…yn 误差趋近于0的时候就是目标值！误差最小—数据才能输出
结果公式D={(x1,y1),(x2,y2),(x3,y3)…(xn,yn)}= 输出结果
D ={(x1,y1),(x2,y2),(x3,y3)…(xn,yn)} ------------>“数据集”
g:x→y
备注 ：g表示算法最终的公式，减少了数据集误差。
"数据集"就是一种算法的实现。

算法( T )：根据业务需要和数据特征选择的相关算法， 也就是一个数学公式
模型( E )：基于数据和算法构建出来的模型
评估/测试 ( P )：对模型进行评估的策略

训练数据

1. 训练指的是一种学习行为--------转化为：“经验”-----通过经验采集的数据才是训练数据，训练数据时存在很大的不合理，并不能满足机器的学习使用。
2. 数据集可以让机器学习使用！