机器学习-0基础概述

一句话解释机器学习，机器学习是人工智能中的一个分支学科。
机器学习的前提是有某一类事物的大量数据。

一、机器学习的流程：

1.人为编写程序从大量数据中提取需要的特征数据。（数据预处理、特征工程）
2.通过大量特征数据训练出一个数学函数模型（这一步是机器学习的核心）。
3.用已知的数据对得到的数学模型进行测试。

二、机器学习三要素：

1.模型：数学模型有多种，例如概率模型与非概率模型、线性模型与非线性模型等等。这里需要程序员根据数据等因素自己进行选择模型。这个模型在选择之后，模型中的各个参数会有一个初始值。
2.策略：确定模型之后，选定一个方法来表示模型的计算值与真值之间的不一致情况，通常使用误差函数。
3.算法：模型和策略都确定后，使用大量的数据来输入模型，一边计算误差函数，一边再调整模型中的各个参数，直到将模型调整至最优，例如梯度下降法。

三、机器学习的目标：

1.回归：对数值型连续随机变量进行预测和建模，例如用一元线性回归预测明年的房价。
2.分类：对离散型随机变量建模或预测，例如输入一张宠物的照片，判断是猫还是狗。
3.聚类：聚类是一种无监督学习任务，该算法基于数据的内部结构寻找观察样本的自然族群。使用案例包括细分客户、新闻聚类、文章推荐等。

四、其他：

1、机器学习的分类：

根据数据是否有标签，机器学习可分为两类：有监督学习与无监督学习。
标签就是指一个真实正确的值，学要根据数据预测的那个量的正确值。

2、训练模型测评：

在测试的时候，根据一些模型的评价指标来判定训练的到的模型是否优良。
例如
回归模型的评价标准有：绝对误差，均方误差。
分类模型的评价标准有：准确率、精度、召回率（也叫查全率）。

3、小结：

在机器学习工作中，程序员需要自己根据自己的需求，选择特征向量空间、模型、策略、算法、有无监督等等。
这篇中，所有概念和名词都只是最简化的提及，如果想要学习机器学习算法，需要将每个点继续深化和扩展。