机器学习概述

 人工智能三大概念：

人工智能（AI），机器学习（ML），深度学习（DL）。

人工智能（AI）：就是仿智。

机器学习（ML）：机器自动学习，不基于规则编程。

深度学习（DL）：深度神经网络，大脑仿生。

三者之间的关系：深度学习是机器学习的一种方法，机器学习是实现人工智能的途径。

算法的两种学习方式：

基于规则的学习:程序员根据经验手工的if-else方式进行预测。

基于模型的学习：从数据中自动学出规律。

机器学习的应用领域：

计算机视觉（computer vision）:对人看到的东西进行理解。

自然语言处理：对人交流的东西进行理解

人工智能发展三要素：数据，算法，算力

样本和数据集：
样本（sample）：一行数据就是一个样本。

数据集（dataset）：多个样本组成数据集

特征：一列数据一个特征，有时也被称为属性。

标签：

标签（label）/目标（target）：模型要预测的那一列数据。

数据集划分：

训练集用来训练模型，测试集用来测试预估模型。

训练集：测试集=7：3/8：2

机器学习算法分类：

监督学习：训练数据有标签的学习

分类问题与回归问题：

标签连续是回归，离散是分类（二分类，多分类。）

无监督学习：训练数据无标签的学习

半监督学习：一半有标签，一半无标签。（标注少量数据，训练一个模型再标注未标数据。）

强化学习：构建四要素：agent，环境状态（enironment），行动（action），奖励（reward）。

机器学习建模流程：

1.获取数据：获取经验数据 图像数据 文本数据

2.数据基本处理：数据缺失值处理 异常值处理

3.特征工程：特征提取 特征预处理 特征降维

4.机器学习：线性回归 逻辑回归 决策树 GBDT

5.模型评估：回归评测指标 分类评测指标 聚类评测指标