课程名称：Python3入门机器学习 经典算法与应用 入行人工智能

课程章节： 1-1，1-2，1-3；2-1，2-2，2-3，2-4

主讲老师：liuyubobobo#

今天学习的内容包括：

1. 机器学习的概念
2. 数据基础概念
3. 机器学习基本任务
4. 算法分类

1.机器学习的概念

试图对比着，从人类的学习中理解，机器学习。

人类学习（经验学习）以猫狗识别为例：

1.从一定的样本资料。（从大人指给你看，这只是猫这只是狗）
2.经过大脑的学习，归纳，整理，总结（观察特征并分析总结记住）
3.到形成自己的知识，和经验。（明白了，这样的是狗，这样的是猫）
4.再遇到类似的问题，从而使大脑在遇到类似的问题，能快速做出反应。

机器学习

1.大量的学习资料（猫狗照片）
2.通过算法建立模型
3.输入新资料，判断，输出结果

人类学习，

只需要少量样本资料（例如几只猫和几只狗的照片），就能非常准确识别。
但是判断的效率比较低

机器学习

需要大量样本才能准确识别。
判断效率快，能快速处理大量新样本

2.数据基础概念

• 数据整体——数据集（data set)

• 每一行数据——一个样本（sample）

• 每一列数据——一个特征（feature）
  
  以左上角为坐标系，向下为x轴（i,列，特征索引），向右为y轴（j,行，数据索引）

X为矩阵（通常矩阵为大写）

y为向量（向量为小写，约定俗成）

3.机器学习基本任务（分类任务/回归任务）

分类任务（离散值）

• 二分类

    1.判断猫或狗，判断1或0
  
    2.判断是不是垃圾邮件
  
    3.判断有没有肿瘤
  

• 多分类

    1.数字识别
  
    2.图像识别
  
    3.人脸识别
  
    4.判断患肿瘤的大小
  

回归任务（连续值）

1.房屋价格

2.股票价格预测

3.销售额预测

算法分类

监督学习；非监督学习；半监督学习；批量学习；在线学习

监督学习

我们给算法一个数据集，从标记的训练数据来推断一个功能的机器学习任务。

非监督学习

在无监督学习中数据无任何标签，或相同标签的数据，交给机器来识别其中的结构，可以将数据进行分类。（聚类分析）

对数据进行降维处理（压缩特征，删除特征）

异常检测（分类之后，有几个点不合群）	

半监督学习

 一部分数据有标记或者答案，另一部分数据没有

通常先使用无监督对数据进行预处理，分类，然后使用监督学习进行预测

批量学习（简单）

（在数据，环境变化不那么快的时候使用，定期进行批量学习来适应环境）

收集学习资料，

通过算法创建模型（模型不变）

模型投入使用

在线学习（复杂）

（新的数据有可能不是正常的数据，或者不合适的数据，判断异常数据进行加强监控）

收集学习资料，

通过算法创建模型（模型优化）

模型投入使用

通过预测值与实际值来改进模型

总结:

人工智能>>机器学习算法>>深度学习

• 机器学习算法只是人工智能领域中解决问题的一种方法。

• 人工智能还包含搜索算法，等等其他算法

• 事实上，机器算法中某些底层算法（如梯度下降）就属于搜索算法

• 请多多涉略不同内容，切勿孤立地学习

• 机器学习比起人脑需要更大量的数据来进行学习，但是学习之后进行判断的效率很高，近年来机器学习，深度学习的兴起，我想离不开可以大量获取的数据，和计算机算力的提升，

• 关于机器学习，我认为是从大量数据集中学习经验，来解决某一个任务，并通过一种衡量其准确与否的度量，来测量计算机在任务中的表现，然后提高经验，从而更好地用准确的经验来完成任务

• 

• 

• 今天第一次学习，学习了2小时，是在看完吴恩达教授的教学视屏之后，机器学习的第二站，希望也能收获满满