【機器學習實戰】第1章 機器學習基礎

第1章 機器學習基礎

機器學習 概述

機器學習就是把無序的數據轉換成有用的信息。

1. 獲取海量的數據
2. 從海量數據中獲取有用的信息

咱們會利用計算機來彰顯數據背後的真實含義，這纔是機器學習的意義。

機器學習 場景

例如：識別動物貓
模式識別（官方標準）：人們經過大量的經驗，獲得結論，從而判斷它就是貓。
機器學習（數據學習）：人們經過閱讀進行學習，觀察它會叫、小眼睛、兩隻耳朵、四條腿、一條尾巴，獲得結論，從而判斷它就是貓。
深度學習（深刻數據）：人們經過深刻了解它，發現它會'喵喵'的叫、與同類的貓科動物很相似，獲得結論，從而判斷它就是貓。（深度學習經常使用領域：語音識別、圖像識別）

模式識別（pattern recognition）: 模式識別是最古老的（做爲一個術語而言，能夠說是很過期的）。
    咱們把環境與客體統稱爲「模式」，識別是對模式的一種認知，是如何讓一個計算機程序去作一些看起來很「智能」的事情。
    經過融於智慧和直覺後，經過構建程序，識別一些事物，而不是人，例如: 識別數字。
機器學習（machine learning）: 機器學習是最基礎的（當下初創公司和研究實驗室的熱點領域之一）。
    在90年代初，人們開始意識到一種能夠更有效地構建模式識別算法的方法，那就是用數據（能夠經過廉價勞動力採集得到）去替換專家（具備不少圖像方面知識的人）。
    「機器學習」強調的是，在給計算機程序（或者機器）輸入一些數據後，它必須作一些事情，那就是學習這些數據，而這個學習的步驟是明確的。
    機器學習（Machine Learning）是一門專門研究計算機怎樣模擬或實現人類的學習行爲，以獲取新的知識或技能，從新組織已有的知識結構使之不斷改善自身性能的學科。
深度學習（deep learning）: 深度學習是很是嶄新和有影響力的前沿領域，咱們甚至不會去思考-後深度學習時代。
    深度學習是機器學習研究中的一個新的領域，其動機在於創建、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

參考地址： 
http://www.csdn.net/article/2015-03-24/2824301
http://baike.baidu.com/link?url=76P-uA4EBrC3G-I__P1tqeO7eoDS709Kp4wYuHxc7GNkz_xn0NxuAtEohbpey7LUa2zUQLJxvIKUx4bnrEfOmsWLKbDmvG1PCoRkJisMTQka6-QReTrIxdYY3v93f55q

機器學習已應用於多個領域，遠遠超出大多數人的想象，橫跨：計算機科學、工程技術和統計學等多個學科。

• 搜索引擎: 根據你的搜索點擊，優化你下次的搜索結果。
• 垃圾郵件: 會自動的過濾垃圾廣告郵件到垃圾箱內。
• 超市優惠券: 你會發現，你在購買小孩子尿布的時候，售貨員會贈送你一張優惠券能夠兌換6罐啤酒。
• 郵局郵寄: 手寫軟件自動識別寄送賀卡的地址。
• 申請貸款: 經過你最近的金融活動信息進行綜合評定，決定你是否合格。

機器學習 組成

主要任務

• 分類：將實例數據劃分到合適的類別中。
• 迴歸：主要用於預測數值型數據。（示例：數據經過給定數據點來擬合最優曲線）

監督學習

• 必須肯定目標變量的值，以便機器學習算法能夠發現特徵和目標變量之間的關係。 (包括：分類和迴歸)
• 樣本集：訓練數據 + 測試數據
  • 訓練樣本 = 特徵(feature) + 目標變量(label: 分類-離散值/迴歸-連續值)
  • 特徵一般是訓練樣本集的列，它們是獨立測量獲得的。
  • 目標變量: 目標變量是機器學習預測算法的測試結果。
    • 在分類算法中目標變量的類型一般是標稱型(如：真與假)，而在迴歸算法中一般是連續型(如：1~100)。
• 知識表示：
  1. 能夠採用規則集的形式【例如：數學成績大於90分爲優秀】
  2. 能夠採用機率分佈的形式【例如：經過統計分佈發現，90%的同窗數學成績，在70分如下，那麼大於70分定爲優秀】
  3. 可使用訓練樣本集中的一個實例【例如：經過樣本集合，咱們訓練出一個模型實例，得出 年輕，數學成績中高等，談吐優雅，咱們認爲是優秀】

非監督學習

• 數據沒有類別信息，也不會給定目標值。
• 聚類：在無監督學習中，將數據集分紅由相似的對象組成多個類的過程稱爲聚類。
• 密度估計：將尋找描述數據統計值的過程稱之爲密度估計。【就是：根據訓練樣本肯定x的機率分佈】
• 此外，無監督學習還能夠減小數據特徵的維度，以便咱們可使用二維或三維圖形更加直觀地展現數據信息。

訓練過程

算法彙總

機器學習 使用

選擇算法須要考慮的兩個問題

1. 算法場景
   • 預測明天是否下雨，由於能夠用歷史的天氣狀況作預測，因此選擇監督學習算法
   • 給一羣陌生的人進行分組，可是咱們並無這些人的類別信息，因此選擇無監督學習算法、經過他們身高、體重等特徵進行處理。
2. 須要收集或分析的數據是什麼

舉例

機器學習 開發流程

* 收集數據: 收集樣本數據
* 準備數據: 注意數據的格式
* 分析數據: 爲了確保數據集中沒有垃圾數據；
    若是是算法能夠處理的數據格式或可信任的數據源，則能夠跳過該步驟；
    另外該步驟須要人工干預，會下降自動化系統的價值。
* 訓練算法: [機器學習算法核心]若是使用無監督學習算法，因爲不存在目標變量值，則能夠跳過該步驟
* 測試算法: [機器學習算法核心]評估算法效果
* 使用算法: 將機器學習算法轉爲應用程序

Python語言 優點

1. 可執行僞代碼
2. Python比較流行：使用普遍、代碼範例多、豐富模塊庫，開發週期短
3. Python語言的特點：清晰簡練、易於理解
4. Python語言的缺點：惟一不足的是性能問題
5. Python相關的庫
   • 科學函數庫：SciPy、NumPy(底層語言：C和Fortran)
   • 繪圖工具庫：Matplotlib

---

• 做者：片刻 1988
• GitHub地址: https://github.com/apachecn/MachineLearning
• 版權聲明：歡迎轉載學習 => 請標註信息來源於 ApacheCN