Python学习之机器学习

机器学习

机器学习知识体系介绍

1. 机器学习与规则编写程序的区别
2. 机器学习原理图
3. 机器学习的学习路径和方法
4. 机器学习需要哪些知识
5. 概率统计与机器学习之间的关系
6. 推荐参考书籍

1. 机器学习与规则编写程序的区别

1.5 传统规则程序与机器学习区别

1. 解决方案需要规则列表超长问题，通过机器学习可以简化代码， 提升执行表现
2. 对于传统技术手段根本无法解决的复杂问题，通过机器学习可以 找到方案
3. 对于环境波动：机器学习系统可以适应新的数据
4. 从复杂问题和海量数据中获得更多人类未曾意识到的关联性或者 趋势

2. 机器学习原理图

3. 机器学习学习路径和方法

4.1 机器学习需要哪些知识

4.2 机器学习中的基础概念

• • 微积分基础

  1. 泰勒公式
  2. 导数与梯度

• • 概率与统计基础

  1. 概率公式
  2. 常见分布
  3. 常见统计量

• • 线性代数基础

  1. 矩阵乘法的几何意义

5. 概率统计与机器学习的关系

• • 统计本质是分布，机器学习训练出来的是模型，模型可能包含了很 多分布

• • 训练与预测过程的一个核心评价指标就是模型的误差

• • 误差本身就可以是概率的形式，与概率紧密相关。

• • 对误差的不同定义方式就演化成了不同损失函数的定义方式。

• • 机器学习是概率与统计和计算机编程的结合

6. 推荐书籍

总结

1. 机器学习模型本质就是一个函数，函数运算所有的特征，得到一个值
2. 数据挖掘基本等于机器学习，统计学是机器学习的子集，凹集，模式识别也 是约等于数据挖掘，原始的模式识别更接近于匹配和规则，现在的机器学习 更偏重于统计
3. 统计是取出一部分数据，得知分布情况，求全集的分布情况。统计是对全量 的一种关测，所以成本会很少，如果能用抽样解决的问题，尽量不要用机器 学习来做，机器学习成本比较高，一般用统计和概率弄一下就可以了
4. 数据挖掘建模之前需要对数据进行清洗处理 ，了解数据的关联性很重要， bat的数据挖掘组，需要在进入之前，在数据组轮值半年岗

机器学习分类

1. 机器学习应用领域
2. 机器学习分类
3. 监督学习
4. 无监督学习
5. 监督学习常用机器学习算法
6. 无监督学习常用机器学习算法

1. 机器学习应用领域

2. 机器学习分类

3. 监督学习

3.1 监督学习—训练

<