目录
一 机器学习简介
1. 机器学习的基本流程：
对大量的历史数据，进行学习，从而生成经验模型，利用经验模型指导业务，所以，这里面有2个关键点：数据+模型，其中数据决定了高度，模型决定了达到高度的方法。
2. 机器学习岗位职责
数据处理（采集+去噪）
模型训练（特征+模型）
模型评估与优化（MSE, F1-score，AUC+调参）
模型应用（A/B测试）
3. 机器学习分类
3.1 机器学习分类一（根据不同的用途）
3.1.1 监督学习：
(1)分类：label 是离散的(即预测的是类别), 模型的输出是概率分布
eg:三分类问题输出的例子：[0.2, 0.7, 0.1]
损失函数：
(2)回归：label是连续的(预测的是一个有大小的值）, 模型输出是一个实数值
eg:在这里说预测值更合适，比如房价，无人驾驶中方向盘转动的角度
损失函数：
预测值与真实值的差距
平方差损失
绝对值损失
在一些情况下，可以将连续的预测值量化，从而将回归问题转化为分类问题。
3.1.2 非监督学习：
(1)对数据进行降维：
特征提取：
特征压缩：PCA，将关联度（相似性）高的特征变为一个。
如手写数字的识别，相邻的像素点灰度值近似，因此可用一个像素点代替周围的多个，从而减少特征数量，降低维度
数据降维的意义：数据可视化。如把高维降到二维，三维，方便作图，将数据的具体分布等展现出来，使人们更好的理解。
(2)异常检测
3.1.3 半监督学习
实际中，可能有些样本的标签值（也可以表示回归中的预测值）丢失，有些样本有标签，有些没有标签，则称之为半监督学习。
半监督学习的方法：一般先用非监督学习手段对数据做处理，之后使用监督学习的手段做模型的训练和预测。
3.2 机器学习分类二（根据是否能适应环境的变化）
3.2.1 批量学习
(1)定义：批量学习是指用一批数据将模型训练完成后，训练数据就被丢弃。在实际环境中输入样本，预测样本，模型不再更新。
(2)如何和适应环境的变化？
定时重新批量学习，但计算量大，某些业务可能需要频繁的重新批量学习。
3.2.2 在线学习
(1)定义：
能及时反映新的数据变化，也适用于数据量大，无法完全批量学习的环境。
(2)新的（异常）数据带来不好的影响怎么办？
加强对数据进行异常监控（用到非监督学习中的异常监测功能）
3.3 机器学习分类三（根据参数进行划分）
3.3.1 参数学习
如先假设：f(x)=ax+b,根据点的坐标（样本），训练，学习得到参数a,b的值
3.3.2 非参数学习（对这个还不是特别理解，后续更新）
不对其进行过多的假设，但不代表没有参数。
3.4 机器学习分类四（单输出和多输出）
4. 机器学习应用举例
分类问题——图像识别，垃圾邮件识别
回归问题——股价预测，房价预测
聚类问题——分组
排序问题——点击率预估，推荐
生成问题——图像生成，图像风格转换，图像文字描述生成
二 . 深度学习
1. 深度学习是什么（算法集合）
卷积神经网络
循环神经网络
自动编码器
稀疏编码
深度信念网络
限制玻尔兹曼机
深度学习+强化学习=深度强化学习
2. 深度学习能干什么
以卷积神经网络和循环神经网络为例
三. 总结和思考
四. 一些问题
五. 资料收集
深度学习有关课程 Google工程师亲授 Tensorflow2.0入门到进阶-慕课网实战
参考文献
414
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
