机器学习（一）：机器学习概述

相信很多小伙伴在接触机器学习之前，都有不少的疑问，就是什么是机器学习？机器学习和人工智能有什么关系？机器学习能做什么？这些问题我在这篇文章给大家一一解答。

1. 什么是机器学习？

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。

1.1. 图解

• 机器学习是指，把人的思考逻辑应用在计算机上，从而让计算机有比人更准确的判断。
• 我们人从大量的日常经验中归纳规律，当面临新的问题的时候，就可以利用以往总结的规律去分析现实状况，采取最佳策略。

1. 判断猫和狗这个功能如何实现呢？
   
   我们可以把很多猫的图片，很多狗的图片交给计算机处理学习，当下次遇见猫和狗的时候，计算机就能区分。这就像我们小时候学习的样子，刚开始我们并不知道猫和狗的区别，当父母让我们见了很多次猫和狗，并且重复教我们，这是猫，这是狗，久而久之，我们自然也就会了。

• 解决方法：从数据（大量的猫和狗的图片）中自动分析获得模型（辨别猫和狗的规律），从而使机器拥有识别猫和狗的能力。

2. 根据房屋的特征来判断房屋价格？
   
   解决方法：从数据（房屋的各种信息）中自动分析获得模型（判断房屋价格的规律），从而使机器拥有预测房屋价格的能力。

1.2. 数据集构成

在上面我们知道了，我们可以让计算机根据历史数据学习分析，获得模型，就能有预测的能力，那么我们需要的历史数据（数据集）是什么样子的呢？
数据集的结构：特征值+目标值

当分析很多歌这样的数据之后，计算机再次遇到这些特征（房屋特征），就能自动预测出目标值（房价）

对于每一行数据我们可以称之为样本。
有些数据，可以没有目标值，计算机可以根据特征分类

2. 人工智能和机器学习的关系

机器学习和人工智能，深度学习的关系

• 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，这个方法就是神经网络

3. 机器学习、深度学习能做些什么？

用在挖掘、预测领域：

• 应用场景：店铺销量预测、量化投资、广告推荐、企业客户分类、SQL语句安全检测分类…

用在图像领域：

• 应用场景：街道交通标志检测、人脸识别等等

用在自然语言处理领域：

• 应用场景：文本分类、情感分析、自动聊天、文本检测等等

4. 机器学习开发流程

1. 获取数据
2. 数据处理：把数据处理成算法更好解决的数据集
3. 特征工程
4. 建立模型
5. 模型评估（若评估不合格，跳回第二步，直到评估合格为止）
6. 应用

5. 推荐书籍

1. 机器学习 -周志华
2. 统计学习方法 -李航
3. 深度学习