1.機器學習概述
1.1人工智能概述
1.1.1機器學習與人工智能、深度學習
-
機器學習和人工智能，深度學習的關系
- 機器學習是人工智能的一個實現途徑
- 深度學習是機器學習的一個方法發展而來
-
達特茅斯會議-人工智能的起點
1956年8月，在美國漢諾斯小鎮寧靜的達特茅斯學院中，
約翰·麥卡錫（John McCarthy）
馬文·閔斯基（Marvin Minsky，人工智能與認知學專家）
克勞德·香農（Claude Shannon，信息論的創始人）
艾倫·紐厄爾（Allen Newell，計算機科學家）
赫伯特·西蒙（Herbert Simon，諾貝爾經濟學獎得主）等科學家正聚在一起，討論着一個完全不食人間煙火的主題：
用機器來模仿人類學習以及其他方面的智能。
會議足足開了兩個月的時間，雖然大家沒有達成普遍的共識，但是卻為會議討論的內容起了一個名字：人工智能
因此，1956年也就成為了人工智能元年。
1.1.2 機器學習、深度學習能做些什么
-
用在挖掘、預測領域：
- 應用場景：店鋪銷量預測、量化投資、廣告推薦、企業客戶分類、SQL語句安全檢測分類…
-
用在圖像領域：
- 應用場景：街道交通標志檢測、人臉識別等等
-
用在自然語言處理領域：
- 應用場景：文本分類、情感分析、自動聊天、文本檢測等等
1.2 什么是機器學習
1.2.1 定義
機器學習是從數據中自動分析獲得模型，並利用模型對未知數據進行預測。
1.2.2理解
人類從大量的日常經驗中歸納規律，當面臨新的問題的時候，就可以利用以往總結的規律去分析現實狀況，采取最佳策略。
例如：
- 從數據（大量的貓和狗的圖片）中自動分析獲得模型（辨別貓和狗的規律），從而使機器擁有識別貓和狗的能力。
- 從數據（房屋的各種信息）中自動分析獲得模型（判斷房屋價格的規律），從而使機器擁有預測房屋價格的能力。
1.2.3 數據集構成
- 結構：特征值+目標值
注：每一行數據被稱為一個樣本，目標值不是必須存在的，但是會存在特征值。
1.3 機器學習算法分類
分類：
- 特征值：貓/狗的圖片；目標值：貓/狗-類別
- 分類問題
- 特征值：房屋的各個屬性信息；目標值：房屋價格-連續型數據
- 回歸問題
- 特征值：人物的各個屬性信息；目標值：無
- 無監督學習
1.3.1小結
1.3.2機器學習算法分類
- 監督學習(supervised learning)（預測）
- 定義：輸入數據是由輸入特征值和目標值所組成。函數的輸出可以是一個連續的值(稱為回歸），或是輸出是有限個離散值（稱作分類）。
- 分類 k-近鄰算法、貝葉斯分類、決策樹與隨機森林、邏輯回歸、神經網絡
- 回歸 線性回歸、嶺回歸
- 無監督學習(unsupervised learning)
- 定義：輸入數據是由輸入特征值所組成。
- 聚類 k-means
1.4 機器學習開發流程
注：參考了黑馬程序員相關資料。