Python机器学习

机器学习分类

• 监督学习：给模型一些带标签的数据集，如车的图片，机器收到反馈[每一步都收到反馈]，哪些信息是正确的，哪些是错误的
  机器将标签和数据做映射，就能解决给定的任务，如：将图像中的汽车进行分类
• 无监督学习：给模型一堆没有标签的数据集，机器没有获得正确与否的反馈，需要自我学习数据的结构解决给定的任务(大部分数据都没有标记且杂乱无章)[从头到尾都没有反馈]
• 强化学习：模型并未立刻收到反馈，只有在达到目标时才收到反馈，例如创建一个强化学习机器人，让它学习下棋击败人类，它只会在它赢棋那一刻收到反馈[与环境互动、不断试错]

ML(Machine Learning)

常用算法

监督学习
    分类：决策树、KNN、SVM、神经网络(Tensorflow)
    回归：线性回归、非线性回归
非监督学习
    K-Means聚类
KNN

交叉学科

(1).计算机(软件、硬件)、概率论、统计学、线代、高数、逼近论、凸分析、机械
(2).机器不再是通过规划行动，而是通过归纳、统计来进行结果改进
(3).机器不再需要外部明确的指示，而是通过经验和数据自动进行结果改进

AI核心

经验(大量数据)越多、结果越好[ML是建立在大数据之上的]

应用

语音识别
    实时语音翻译/siri小冰
自然语言处理
    google翻译
自动驾驶
计算机视觉
    人脸识别
推荐系统
无人机
垃圾邮件识别
机器人

商业智能跟数据挖掘相关

深度学习

伴随着大数据和计算能力的提高(使用GPU)而产生的新的算法
NN模拟人类神经元的构造

基本概念

训练集(TraningSamples) 用来做训练的集合
测试集(TestSamples)
特征值(FeatureVector) 任何数据都有很多特征/属性(例如：直径、颜色)
目标概念(Label)

得数据者得天下

宝马 VS 特斯拉(特斯拉拥有大量汽车行驶数据)

算法最终大家都有，但唯独数据不是

分类
    目标概念为已知类别
回归
    目标概念为连续值
监督学习(supervised learning)
    样本有类别标记
无监督学习(unsupervised)
    样本无类别标记