机器学习是什么

卡内基梅隆大学Tom Mitchell ：一个程序被认为能从经验 E 中学习，解决任务 T，达到性能度量值P(成功率)，当且仅当，有了经验 E 后，经过 P 评判，程序在处理 T 时的性能有所提升
机器学习是横跨计算机科学、工程科学和统计学等多学科的交叉科学，能够从海量的数据中发现数据规律和有用信息。该学科是人工智能的一个发展方向。

机器学习分类

1. 监督学习:我们将教计算机如何去完成任务,给学习算法一个数据集，每个样本都有“正确答案”，再根据样本作出预测组成 回归问题：推测出一个连续值的结果 分类问题：推出一组离散的结果 例子：回归、决策树、随机森林、K – 近邻算法、逻辑回归等
2. 无监督学习:让计算机自己进行学习完成任务,在算法中，没有任何目标变量或结果变量要预测或估计,已知数据集，却不知如何处理,从数据中找到某种结构 组内聚类分析、细分客户 例子：关联算法和 K – 均值算法
3. 强化学习（训练机器进行决策）：机器被放在一个能让它通过反复试错来训练自己的环境中。机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的商业判断

关键术语

主要任务

分类和回归：分类主要是将数据集划分到合适的类别中，而回归是预测数值型数据，通过曲线拟合来预测数据。该两类算法都被称为监督算法，因为他们知道预测什么，即有目标变量。与之对应的是无监督算法，包括聚类、密度估计和降维等

选择合适机器学习算法

在选择合适算法之前，需要考虑两个问题： 一是算法任务目的是什么，是预测概率还是分类； 二是收集的数据是什么，是图片、文本、视频等类型，是否有缺失值和异常值等

机器学习是步骤

(1) 学习算法的原型搭建（工具：Octave）

1. 收集数据：收集样本数据。如网络爬虫、API、物联网设备、网络数据等。在学习的时候可以使用公开的数据集。可参考文章中介绍的数据集。
2. 输入数据：将收集的数据进行清洗，保证数据格式符合算法或编程操作的样式。如Python的list格式的。数据类型的格式化，字符型还是数字型。
3. 分析数据：分析数据是否有脏数据，如异常值，缺失值等情况，另外通过分析选择相关的特征属性，减少计算量。
4. 训练算法：选择合适算法对模型进行训练，该步骤是关键核心。
5. 测试算法：主要是对第4步训练的模型，用测试集评估该算法的性能，如准确率。
6. 使用算法：将获得的算法开发成程序，来执行实际任务，并来反馈是否能够真正在现实生活中得到应用，并根据实际应用效果来优化算法。
   (2) 工作后
   (3) 移植它到 C++或 Java 或别的语言

Python简单介绍

Python是一门高级面向对象语言，主要优点有：
（1）语法清晰，结构简单，优雅。对于没有编程经验的初学者，也是很容易上手。被称为“可执行伪代码”。
（2）在各领域应用广泛，代码范例比较多，便于快速学习。另外，还有很丰富的数据库和模块，如SciPy和NumPy等。
（3）便于操作各种文本文件，如Excel，txt，CSV，图片等。
但唯一缺点是性能问题，运算效率不如Java和C代码高。但是可以通过Python调用C编译的代码，可以在一定程度上解决性能问题。
机器学习算法中的运算很多是根据矩阵来运算的，而Python中的NumPy函数库就聚合了该功能。比如矩阵相乘，求矩阵逆，单位矩阵等都很easy。

机器学习基础的思维导图

Tags:

机器学习 python 介绍