机器学习入门概述

机器学习概述

通过数据（特征值）训练模型以预测未来（目标值）

人工智能的统计学习方法=机器学习

机器学习的好方法：深度神经网络学习

机器学习是人工智能的一个实现途径、深度学习是实现机器学习的一种技术

机器学习算法是核心，数据与计算是基础

作用：传统预测、图像识别、自然语言处理

名词

机器学习：

数据集：特征值+目标值

pandas数据清洗、数据处理

算法分类

监督学习

分类问题

目标值：类别（猫狗）
k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归

回归问题

目标值：连续型的数据（房价）

线性回归、岭回归

无监督学习

目标值：无

聚类 k-means

开发流程

1. 获取数据

2. 数据处理（处理缺失值、类型、错误值）

3. 特征工程（能算法使用的数据）

4. 机器学习算法训练-模型（预估器+模型选择与调优）

5. 模型评估

6. 应用

机器学习框架

• scikit learn传统机器学习框架sklearn
• tf
• pytorch深度学习框架
• theano
• caffe2
• chainer

资料介绍

机器学习 -”西瓜书”- 周志华

统计学习方法 - 李航

深度学习 - “花书”

实战类书籍

机器学习库与框架