机器学习入门

1、机器学习的技术共享和讨论，长沙爱财网络技术李剑，机器学习是什么？机器学习机器分析学习大量的数据，不需要编程就能集中识别特定的目标。 重视发现数据之间内在的模式(相关性)，进行预测。 机器学习与人工智能的关系机器学习是人工智能领域的一部分，知识发现与数据挖掘交叉。 深度学习是机器学习的子集，现在兴起的人工智能主要是大规模的深度学习。 人工智能的五个流派：符号主义：使用符号、规则和逻辑来表达知识并进行逻辑推理，代表性的算法是规则和决策树贝叶斯派：获得发生的可能性并进行概率推理，最喜欢的算法是， 朴素贝叶斯或马尔可夫连接主义：使用概率矩阵和加权神经元动态地识别和概括模式，主要的算法是神经网络进化主义

2、：产生变化，并在特定目标中最适合。 遗传算法Analogizer :根据制约条件优化函数(尽量提高，但不同时偏移)的算法，代表性的算法是向量机， 支持人工智能发展历史的1980年代-主导流派：符号主义-框架：服务器或大型机-主导理论：知识工程学-基本决策逻辑：决策支持系统， 实用性有限的20世纪90年代到2000年-主导流派：贝叶斯-框架：小型服务器集群-主导理论：概率论-分类：可扩展的比较或比较， 语音识别2010年代初期开始中期-主导流派：连接主义-体系结构：大型服务器GPU云计算-主导理论：神经科学和概率-识别：更准确的图像和语音识别、翻译、情感分析等。 预测未来人工智能的发展2010年

3、代末-主导流派：连接主义符号主义-框架：很多云-主导理论：记忆神经网络、大规模集成、知识库推论-简单的问答：范围很窄， 领域固有的知识共享2020年代-主导流派：连接主义符号主义贝叶斯 -框架：云计算和雾计算主导理论：感知时有网络，推理和工作时有规律、简单的感觉， 有推论和行动：有限的自动化和交互式2040年代主导流派：算法融合体系结构：无处不在的服务使用训练数据，构建使用相关特征的模型(特征：影响分类和回归结果的数据属性，例如表的字段)的特征工程学。 训练模型：使用你的特征数据访问你的算法模型，决定算法模型的类型、参数等。 测试模型：使用你的测试数据来检查经过训练和验证的模型的表现(模型的评

4、价标准精度、精度率、再现率等)模型：使用完全训练过的模型用新数据来建立预测调整模型：更多的数据， 使用不同的特征和调整的参数来提高算法的性能表现，机器学习的位置，传统的编程：软件工程师写程序来解决问题。 首先有一些数据为了解决问题，软件工程师创建一个告诉机器该怎么做的过程计算机按照这个过程执行，结果统计学：分析和比较变量间的关系机器的学习：数据科学家使用训练数据集该计算可以学习识别数据中的关系、倾向和模式智能的应用：智能应用是使用人工智能得到的结果，图是正确的农业应用案例图，该应用是无人机收集到的数据、机器学习的分类，1、监视式学习机制：用正确的数据训练算法进行机器学习代表算法：回归、决策树、

5、随机森林、K -邻居算法、逻辑回归、支持向量机等。 2、非监督性的学习机制：训练数据没有标签和答案，目的是找出数据内部的关联和模式、趋势。 代表算法：相关算法和K -平均算法。 3 .加强学习机制：对算法进行试行错误，给出有奖励机制的场景，最终找到最适合算法的途径和策略。 代表算法：马尔可夫决策过程、alpha go zero、蒙特卡洛算法4 .半监督学习机制：训练数据的部分数据为生成数据，部分数据为监视数据，算法分为生成器和判定器两种，生成器的目标是在判定器中接收自己的数据通过持续的训练，两者都实现了最佳的性能。 代表算法：生成式对抗网络算法，机器学习经典算法决策树，是向量机回归分析naiv

6、ebayesclassificati 支持随机森林k次邻居k平均算法降维算法集成算法、决策树算法和逐步响应的过程中，典型的决策树分析使用层次变量或决策节点，例如(如何找到快速准确的决策路径) (特征节点的选择信息熵、信息增益、gini系数、信息论)优点：擅长评价人、位置、事物的一系列不同特征、质量、特性的例子：基于规则的信用评价、赛马结果预测、向量机使用内核函数对数据进行高维映射以创造分类和回归的优点：支持向量机擅长变量和其他变量之间的二元分类操作，无论他们的关系是否线性，场景示例：新闻分类，手写识别。 回归和回归可以描绘因变量和一个或多个因变量之间的状态关系。 在这个例子中，区分了垃圾邮件和

7、垃圾邮件。 可以理解为基于数据拟合的函数关系。 优点：回归可以用于识别变量之间的连续关系，即使这种关系不是很明显的情况，例如，路面交通量分析、邮件过滤、朴素贝叶斯算法、朴素贝叶斯分类器：假设模型的各特征变量在概率上是独立的优点：对于小数据集有显着特征的相关对象，朴素贝叶斯方法是可以快速对其进行分类的场景，如情感分析、消费者分类、 机器学习应用的场面1 .风控制特征信系统2 .顾客关系和精密市场营销3 .推荐系统4 .自动驾驶5 .辅助医疗6 .脸部识别7 .声音识别8 .图像识别9 .机器翻译量化交易智能呼叫商业智能BI， 机器学习算法项目代码演示Scikit-Learn的简介向量机算法KNN

8、的算法示例、机器学习入门资料、1 .数学基础线性代数、概率和统计分析、微积分、数值分析、凸优化2 .编程语言j python c任意语言3 .算法学习(参照知识q&a )统计学习方法(李航)机器学习(周志华)深度学习(Ian goodfellow )，数据挖掘基础，机器学习实战4 .在线视频教程(参照知识q&a ) coursealadacity网易云教室网易公开讲推荐机器学习standrew ng深度学习coursera Andrew Ng网易云教室5 .算法框架(看自己的喜好) sklearn、keras、paddle、angel torch，pytorch tensorflow，numpy，pandas，matplottlib，mxnet机器学习推荐sklearn，numpy，pandas，matplottlib深度学习推荐keras，pytorch