无废话的机器学习笔记（一）

定义

  人工智能包括机器学习，机器学习包括深度学习，学好机器学习的基础对入门深度学习有很好的帮助。
  机器学习是20世纪50年代就出现的数据分析技术，最近几年才风靡是因为深度学习和增强学习的崛起，如AlphaGo和人脸识别等。前人定义机器学习为一个让计算机自主学习的技术领域，它的核心目的是拟合， 分类和预测，具有极强的融合性，各种交叉学科都可能见到它的身影。
  我个人理解就是扔一堆数据给计算机，然后它能分析出数据的规律，进而拟合出规律并预测下一个数据的属性。
  应用：语音、人脸识别、语言翻译、计算机视觉、电影推荐、排序等等

分类

  监督学习（扔给计算机的数据是带有标签的，就是带有数据的属性，比如带有标签的猫的照片数据，计算机会知道它是猫）：
1、回归（regression）：利用数据拟合出一个规律，比如（1,1），（2,2）这两点给计算机，它会拟合出y=x这条直线，这也叫线性回归，如果数据变成三维或更高维，则称为多元线性回归。
2、分类（classification）：计算机主要对数据进行分类，比如猫是猫，狗是狗，这种分类的主流方法有很多，以后会逐一介绍：逻辑回归（名字叫回归但实际是分类哦）、感知机（深度学习的基础）、贝叶斯分类器（为数据分析引入了概率，考试的话送分的）、支持向量机（面试必问，很强大，但实际工业用得少）、决策树（对结果有非常高的解释性，考试的话送分的）、随机森林（很多棵决策树就变成了森林）、K近邻（近朱者赤近墨者黑，考试的话送分的），等等

  非监督学习（就是数据没有标签了，计算机不知道谁是谁，只能根据数据的距离或概率分布等作出决策）：
1、聚类（clustering）：最常用的方法就是聚类，其中最主流、简单的是K均值（与K近邻都是有参数K和距离公式，但两者大大不同），还有高斯混合模型、谱聚类等等

  强化学习（模型能以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，即可以评价每一次的行为，目标是使模型获得最大的奖赏）：
1、马尔可夫决策过程（Markov Decision Process）

学习

  要想全面掌握机器学习，我们还要学习很多的学习算法，如著名的梯度下降（BGD、SGD…），牛顿法等，很多基础理论知识，如经验风险最小化、方差—误差、数据集（训练集、测试集、验证集）、过拟合、矩阵分解（奇异值分解SVD）、降维（PCA、LDA…）。
  可能很多人像我刚上课一样觉得机器学习就是不断编程嘛，搞代码的一门课，其实不然，如果只是编程，调一个很成熟的sklearn库就能解决大多问题，而且巨方便，但这样和搭积木没有太多区别。深入机器学习就必须了解这些库是怎么通过一行行代码实现的，这样跟调参侠就会拉开差距，所以数学知识很重要，涉及高数、线代、概率论，还有一些凸优化。一起加油吧！

 
附上其他笔记的链接：
《无废话的机器学习笔记（二）(线性回归)》
《无废话的机器学习笔记（三）(梯度下降)》
《无废话的机器学习笔记（四）(感知机、逻辑回归、贝叶斯)》
《无废话的机器学习笔记（五）(SVM)》
《无废话的机器学习笔记（六）(决策树，KNN)》
《无废话的机器学习笔记（七）(聚类: kmeans、GMM、谱聚类)》
《无废话的机器学习笔记（番外）(数据集，方差-偏差，过拟合，正则化，降维)》