机器学习系列（一）—

一、序言
二、机器学习简介
- 1、机器学习
2、机器学习和人工智能
- 2.1 人工智能、机器学习、神经网络和深度学习的关系如下：
- 2.2 机器学习的分类：
- 2.3 机器学习关注的问题
- - 2.3.1 分类问题
  - 2.3.2 回归问题
  - 2.3.3 聚类问题
三、机器学习的应用
- 3.1 计算机视觉
- 3.2 自然语言处理
- 3.3 社会网络分析
- 3.4 推荐
四、机器学习的步骤
五、学习路线

一、序言

刚进入研一，目前正在学习机器学习相关课程，从本篇博客开始记录学习历程，和大家一起共同学习进步！在学习之前，最好有数学基础（高等数学、线性代数和概率论数理统计）和Python基础。如果没学过Python可以到这里学习 => 《Python菜鸟教程》。由于本人为初学者，若在内容上有不当之处，还请各位前辈和同学帮忙指出。

二、机器学习简介

1、机器学习

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。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的性能。
它是人工智能的核心，是使计算机具有智能的根本途径。
机器学习是一类算法的统称，机器学习方法是计算机利用已有的数据(经验)，得出了某种模型(规律)，并利用此模型预测未来(结果)的一种方法。

2、机器学习和人工智能

2.1 人工智能、机器学习、神经网络和深度学习的关系如下：

2.2 机器学习的分类：

有监督学习：分类和回归属于监督学习，这类算法必须知道预测什么。即目标变量的分类信息。（分类问题、回归问题属于有监督学习）
无监督学习：此时数据没有类别信息，也不会给定目标值。（聚类问题属于无监督学习）
强化学习：又称增强学习，通过与环境进行交互来学习解决问题的一类算法。

2.3 机器学习关注的问题

2.3.1 分类问题

划分有限个类别，根据数据样本的特征，判断属于哪一个类别。常见的如：（1）垃圾邮件分类（2）图像分类（3）文字识别

2.3.2 回归问题

根据数据样本上抽取出的特征，预测一个连续值的结果。常见的如：股票走势、房价走势等

2.3.3 聚类问题

根据数据样本上抽取出的特征，让样本抱抱团(相近/相关的样本在一团内)。如：用户群体划分和新闻分类。

三、机器学习的应用

3.1 计算机视觉

典型的应用包括：人脸识别、车牌识别、扫描文字识别、图片内容识别、图片搜索等等。

3.2 自然语言处理

典型的应用包括：搜索引擎智能匹配、文本内容理解、文本情绪判断，语音识别、输入法、机器翻译等等。

3.3 社会网络分析

典型的应用包括：用户画像、网络关联分析、欺诈作弊发现、热点发现等等。

3.4 推荐

典型的应用包括：虾米音乐的“歌曲推荐”，某宝的“猜你喜欢”等等。

四、机器学习的步骤

本部分来自CSDN博主zxhohai
通常学习一个好的函数，分为以下三步：
1、选择一个合适的模型，这通常需要依据实际问题而定，针对不同的问题和任务需要选取恰当的模型，模型就是一组函数的集合。
2、判断一个函数的好坏，这需要确定一个衡量标准，也就是我们通常说的损失函数（Loss
Function），损失函数的确定也需要依据具体问题而定，如回归问题一般采用欧式距离，分类问题一般采用交叉熵代价函数。
3、找出“最好”的函数，如何从众多函数中最快的找出“最好”的那一个，这一步是最大的难点，做到又快又准往往不是一件容易的事情。常用的方法有梯度下降算法，最小二乘法等和其他一些技巧（tricks）。
学习得到“最好”的函数后，需要在新样本上进行测试，只有在新样本上表现很好，才算是一个“好”的函数。

开发机器学习应用程序的步骤：（Step 4 -5为核心）

收集数据
准备输入数据 =>为算法准备特定的数据格式
分析输入数据 =>确保数据集中没有垃圾数据
训练算法 =>从输入数据中抽取知识和信息
测试算法 =>
使用算法 => 将机器学习算法转化成应用程序，执行实际任务

五、学习路线

0.math （数学基础）1.python-basic （python基础）2.numpy（numpy基础）3.pandas（pandas基础）4.scipy（scipy基础）5.data-visualization（数据可视化基础，包含matplotlib和seaborn）6.scikit-learn（scikit-learn基础）7.machine-learning（机器学习基础）8.deep-learning（深度学习基础）9.feature-engineering（特征工程基础）

机器学习系列（一）—— 绪言相关推荐

机器学习系列18：核函数
https://www.toutiao.com/a6700783341630652931/ 机器学习系列18:核函数让我们来考虑这样一个问题,现在给定一个数据集,让你划分出决策边界,该怎么办呢?数据 ...
机器学习系列19：将核函数应用于支持向量机
https://www.toutiao.com/a6701463387273953806/ 机器学习系列19:将核函数应用于支持向量机当我们在已知参数的情况下,如何用带有核函数的支持向量机(SVM) ...
机器学习系列16：机器学习系统设计
https://www.toutiao.com/a6700782123118232068/ 机器学习系列16:机器学习系统设计偏斜分类的误差评估举个例子,我们想训练一个模型去诊断患者是否患有癌症. ...
人工智能机器学习系列 2：代价函数
机器学习系列 2:代价函数现在我有一些数据集,就像上图中的叉.那么我想通过一次函数也叫线性回归函数(一条直线)去拟合这些数据,一次函数在没有确定之前,应该是这个样子的: 其中 θ0 和 θ1 都是未 ...
机器学习系列 1：监督学习和无监督学习
https://www.toutiao.com/a6690813539747103246/ 2019-05-15 09:31:00 机器学习系列 1:监督学习和无监督学习机器学习就是通过一大堆数据集 ...
机器学习系列之EM算法
机器学习系列之EM算法我讲EM算法的大概流程主要三部分:需要的预备知识.EM算法详解和对EM算法的改进. 一.EM算法的预备知识 1.极大似然估计 (1)举例说明:经典问题--学生身高问题我们需要 ...
k近邻法matlab_机器学习系列（一）K近邻算法（KNN，KNearestNeigh
本文源自微信公众号[Python编程和深度学习]原文链接:机器学习系列(一)K-近邻算法(KNN,K-Nearest-Neighbor),欢迎扫码关注鸭! 目录一.算法概述二.Python代码三 ...
阿里巴巴机器学习系列课程
亲爱的同学们,福利来临!随着机器学习领域的发展越来越火,阿里云机器学习PAI为广大机器学习爱好的学生提供免费的一站式算法平台,该平台提供上百种算法,并且兼容TensorFlow.Caffe.MXNET ...
机器学习系列(8)_读《Nature》论文，看AlphaGo养成
机器学习系列(8)_读<Nature>论文,看AlphaGo养成标签: 机器学习算法深度学习神经网络蒙特卡罗树搜索 2016-03-16 11:23 17843人阅读评论(8) 收藏 ...
机器学习系列(2)_从初等数学视角解读逻辑回归
作者:龙心尘 && 寒小阳时间:2015年10月. 出处:http://blog.csdn.net/longxinchen_ml/article/details/49284391 ...

机器学习系列（一）—— 绪言

目录