人工智能-机器学习

人工智能-机器学习

---

---

一、人工智能概述

1.人工智能、机器学习、深度学习之间的关系：

• 机器学习是人工智能的一个实现途径；
• 深度学习是机器学习的一个方法发展而来；

2. 人工智能必备三要素：

• 数据、算法、计算力；

二、机器学习概述

1.机器学习定义：

• 机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测；

2.机器学习工作流程

机器学习工作流程总结：

• 1.获取数据；
• 2.数据基本处理；
• 3.特征工程；
• 4.机器学习（模型训练）；
• 5.模型评估：如果达到要求，则上线服务；如果没有达到要求，则重复上面的步骤；

3.机器学习算法分类介绍

3.1 机器学习根据数据集组成不同，可以把机器学习算法分为：

• 监督学习
• 无监督学习
• 半监督学习
• 强化学习

3.2 监督学习

3.2.1 监督学习定义：监督学习的输入数据是由输入特征和目标值所组成；又根据连续和分散再进行分类：

• 函数的输出可以是一个连续的值，称为回归（连续）；
• 或是输出是有限个离散值，称为分类（离散）；

3.2.2 监督学习又从回归问题和分类问题两个方面考虑；

3.3 无监督学习

3.3.1 无监督学习定义：输入数据是由输入特征值组成，没有目标值；

• 输入数据没有被标记，也没有确定的结果，样本数据类别未知；
• 需要根据样本间相似性对样本集进行类别划分；

3.3.2 有监督和无监督算法对比：

• 监督学习：输入的数据有特征值，目标值分为连续：回归和离散：分类；
• 无监督学习：输入的数据有特征值，无目标值；

3.4 半监督学习

3.4.1 定义：训练集同时包含有标记样本数据和未标记样本数据

3.5 强化学习

3.5.1 定义：强化学习实质是 make decisions 问题，即自动进行决策，并且可以做连续决策；

3.5.2 强化学习主要包含五个元素：agent，action，reward，environment，observation

3.5.3 强化学习的目标就是获得最多的累计奖励；

3.5.4 强化学习和监督学习的对比：

-	监督学习	强化学习
反馈映射	输出的是之间的关系，可以告诉算法什么样的输入对应着什么样的输出	输出的是给机器的反馈 reward function ，即用来判断这个行为是好是坏
反馈时间	做了比较坏的选择会立刻反馈给算法	结果反馈有延时，有时候可能需要走了很多步以后才知道以前的某一步的选择是好是坏
输入特征	输入是独立同分布的	面对的输入总是在变化，每当算法做出一个行为，它影响下一次的决策输入

三、机器学习基础环境安装与使用

1. 库的安装

1.1

2. jupyter hotebook 使用

四、Matplotlib

五、Numpy

六、Pandas

---

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。