机器学习概述

1.1 人工智能概述

达特茅斯会议-人工智能的起点
1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中，约翰·麦卡锡(John McCarthy)、马文·闵斯基(Marvin Minsky，人工智能与认知学专家)、克劳德·香农(Claude Shannon，信息论的创始人)、艾伦·纽厄尔(Allen Newell，计算机科学家)、赫伯特·西蒙(Herbert Simon，诺贝尔经济学奖得主)等科学家正聚在一起，讨论着一个完全不食人间烟火的主题:
用机器来模仿人类学习以及其他方面的智能

机器学习、深度学习、人工智能关系：

• 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

机器学习、深度学习应用：

• 传统预测
  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语句安全检测分类等。

• 图像识别
  街道交通标志检测、人脸识别等。

• 自然语言处理
  文本分类、情感分析、自动聊天、文本检测等。

1.2 什么是机器学习

1.2.1 概述

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。

在现实中：我们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。

那么从历史数据当中获得规律，这些历史数据是怎么的格式？

1.2.2 数据集的构成

特征值 + 目标值
e.g：房屋特征与相应价格（目标值）

注：
对每一行数据称为样本。
有些数据集可以没有目标值（如下图，一群人并不能明确具体是谁，但最终可分类）。

1.3.机器学习算法分类

引例：
如果要识别猫和狗，就要从数据中获得模型，就要有对应的特征值和目标值。
特征值：猫/狗的图片
目标值：猫/狗—类别

如果要对房屋价格进行预测，则对应
特征值：房屋的各个属性信息
目标值：房屋价格–连续型数据

则

1.3.1 监督学习

定义∶ 输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归)，或是输出是有限个离散值（称作分类)。

• 目标值：类别 - 分类问题
  k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归
• 目标值：连续型的数据 - 回归问题
  线性回归、岭回归

1.3.2 无监督学习

定义： 输入数据是由输入特征值所组成。

• 目标值：无
  聚类 k-means
  

1.4.机器学习开发流程和学习框架

1.4.1 开发流程

获取数据–数据处理-- 特征工程–机器学习算法训练（模型）–模型评估–应用

1.4.2 学习框架

1. 算法是核心，数据与计算是基础
2. 找准定位
3. 怎么做？
   ①入门
   ②实战类书籍
   ③机器学习 -“西瓜书”- 周志华、统计学习方法 - 李航、深度学习 - “花书”
   –学会分析问题，使用机器学习算法的目的，想要算法完成何种任务。
   –掌握算法基本思想，学会对问题用相应的算法解决。
   –学会利用库或者框架解决问题。
4. 传统机器学习算法：Sklearn。
   深度学习框架：Tensorflow、Pytorch、Chainer等。
   
   备注:
   参考学习：B站-黑马程序员3天快速入门python机器学习