- 机器学习(多应用于数据挖掘、计算机视觉、自然语言分析处理、疾病诊断、图像识别、机器人等领域), 目标 使用可以自动学习的算法,从数据中自动分析获得规律,并利用规律对未知数据进行预测。
- 经典方法:监督学习、半监督学习、无监督学习和强化学习(实际应用中的可实现性不高,目前多在于理论研究)
- 数学基础、编程基础(python、数据结构)、算法、开发框架
- 一般流程:收集数据、数据预处理、分析输入数据、使用样本数据训练和测试算法、应用算法
- 数据和数据集(开源和自己搞钱)
- 数据预处理(D掉大部分的无效或不规范数据):数据清理、数据集成和融合、数据变换(降维)、数据规约(减少数据存储空间的同时保证数据的完整性,维度规约、数量规约、数据压缩)
- 经典算法:回归(线性回归)、分类(逻辑回归、K-近邻、朴素贝叶斯决策树、SVM)、聚类(k-Means)、关联分析(FP-growth、Apriori)、降维(主成分分析 PCA)
- 人工神经网络和深度学习
机器学习 基本认知框架(碎碎念版 待逐步学习更新)
于 2022-09-23 17:34:45 首次发布