第1章 机器学习基础机器学习 概述机器学习就是把无序的数据转换成有用的信息。

获取海量的数据

从海量数据中获取有用的信息

我们会利用计算机来彰显数据背后的真实含义，这才是机器学习的意义。机器学习 场景例如：识别动物猫 模式识别（官方标准）：人们通过大量的经验，得到结论，从而判断它就是猫。 机器学习（数据学习）：人们通过阅读进行学习，观察它会叫、小眼睛、两只耳朵、四条腿、一条尾巴，得到结论，从而判断它就是猫。 深度学习（深入数据）：人们通过深入了解它，发现它会'喵喵'的叫、与同类的猫科动物很类似，得到结论，从而判断它就是猫。（深度学习常用领域：语音识别、图像识别） 模式识别（pattern recognition）: 模式识别是最古老的（作为一个术语而言，可以说是很过时的）。 我们把环境与客体统称为“模式”，识别是对模式的一种认知，是如何让一个计算机程序去做一些看起来很“智能”的事情。 通过融于智慧和直觉后，通过构建程序，识别一些事物，而不是人，例如: 识别数字。 机器学习（machine learning）: 机器学习是最基础的（当下初创公司和研究实验室的热点领域之一）。 在90年代初，人们开始意识到一种可以更有效地构建模式识别算法的方法，那就是用数据（可以通过廉价劳动力采集获得）去替换专家（具有很多图像方面知识的人）。 “机器学习”强调的是，在给计算机程序（或者机器）输入一些数据后，它必须做一些事情，那就是学习这些数据，而这个学习的步骤是明确的。 机器学习（Machine Learning）是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身性能的学科。 深度学习（deep learning）: 深度学习是非常崭新和有影响力的前沿领域，我们甚至不会去思考-后深度学习时代。 深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。 参考地址： http://baike.baidu.com/link?url=76P-uA4EBrC3G-I__P1tqeO7eoDS709Kp4wYuHxc7GNkz_xn0NxuAtEohbpey7LUa2zUQLJxvIKUx4bnrEfOmsWLKbDmvG1PCoRkJisMTQka6-QReTrIxdYY3v93f55q

机器学习已应用于多个领域，远远超出大多数人的想象，横跨：计算机科学、工程技术和统计学等多个学科。

机器学习 组成主要任务

分类：将实例数据划分到合适的类别中。

回归：主要用于预测数值型数据。（示例：数据通过给定数据点来拟合最优曲线）

监督学习

必须确定目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。 (包括：分类和回归)

样本集：训练数据 + 测试数据

训练样本 = 特征(feature) + 目标变量(label: 分类-离散值/回归-连续值)

特征通常是训练样本集的列，它们是独立测量得到的。

目标变量: 目标变量是机器学习预测算法的测试结果。

在分类算法中目标变量的类型通常是标称型(如：真与假)，而在回归算法中通常是连续型(如：1~100)。

知识表示：

非监督学习训练过程算法汇总机器学习 使用

选择算法需要考虑的两个问题

算法场景

预测明天是否下雨，因为可以用历史的天气情况做预测，所以选择监督学习算法

给一群陌生的人进行分组，但是我们并没有这些人的类别信息，所以选择无监督学习算法、通过他们身高、体重等特征进行处理。

需要收集或分析的数据是什么

举例

机器学习 开发流程

* 收集数据: 收集样本数据 * 准备数据: 注意数据的格式 * 分析数据: 为了确保数据集中没有垃圾数据； 如果是算法可以处理的数据格式或可信任的数据源，则可以跳过该步骤； 另外该步骤需要人工干预，会降低自动化系统的价值。 * 训练算法: [机器学习算法核心]如果使用无监督学习算法，由于不存在目标变量值，则可以跳过该步骤 * 测试算法: [机器学习算法核心]评估算法效果 * 使用算法: 将机器学习算法转为应用程序 Python语言 优势

Python相关的库

科学函数库：SciPy、NumPy(底层语言：C和Fortran)

绘图工具库：Matplotlib

GitHub地址:https://github.com/apachecn/MachineLearning