1. 机器学习概述

1、pip环境和基本库：

 

 

2、学习笔记

 

 

 

3、什么是机器学习，有哪些分类？结合案例，写出你的理解。

　　机器学习是让计算机具有学习的能力，无需进行明确编程。 —— 亚瑟·萨缪尔，1959

　　计算机程序利用经验 E 学习任务 T，性能是 P，如果针对任务 T 的性能 P 随着经验 E 不断增长，则称为机器学习。 —— 汤姆·米切尔，1997

　　机器学习是通过编程让计算机从数据进行学习的科学（和艺术）。机器学习有点像人类的决策过程。机器学习利用机器学习算法来建立模型，当有新的数据过来时，可以通过模型来进行预测。而在我大三上学期学习的人工智能课程，也就是有关于机器学习的深度学习和神经学习，而机器学习又是人工智能的一个分支。在我们的手机应用中，过滤一些特定的电话的过滤器就是一种机器学习程序。常用任务T来标记新来电是垃圾来电，经验E是训练数据，性能P需要定义。

　　分类：

　　机器学习按照学习形式进行分类，可分为监督学习、无监督学习、半监督学习、强化学习等。区别在于，监督学习需要提供标注的样本集，无监督学习不需要提供标注的样本集，半监督学习需要提供少量标注的样本，而强化学习需要反馈机制。

　　1、监督学习：

　　利用已标记的有限训练数据集，通过某种学习策略/方法建立一个模型，实现对新数据/实例的标记（分类）/映射。监督学习要求训练样本的分类标签已知，分类标签的精确度越高，样本越具有代表性，学习模型的准确度越高。监督学习在自然语言处理、信息检索、文本挖掘、手写体辨识、垃圾邮件侦测等领域获得了广泛应用。

　　我们看到某样事物，然后根据非自身得到这类事物的标记，这就是监督学习。

　　2、无监督学习：

　　利用无标记的有限数据描述隐藏在未标记数据中的结构/规律。无监督学习不需要训练样本和人工标注数据，便于压缩数据存储、减少计算量、提升算法速度，还可以避免正负样本偏移引起的分类错误问题，主要用于经济预测、异常检测、数据挖掘、图像处理、模式识别等领域，例如组织大型计算机集群、社交网络分析、市场分割、天文数据分析等。

　　我们知道某些事物，而却不懂这些事物，但又能根据它们的不同来分析出他的规律等来识别它们，这就是无监督学习。

　　3、半监督学习：

　　半监督学习介于监督学习与无监督学习之间，其主要解决的问题是利用少量的标注样本和大量的未标注样本进行训练和分类，从而达到减少标注代价、提高学习能力的目的。

　　在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是该模型首先需要学习数据的内在结构以便合理地组织数据进行预测。

　　4、强化学习：
　　强化学习是智能系统从环境到行为映射的学习，以使强化信号函数值最大。由于外部环境提供的信息很少，强化学习系统必须靠自身的经历进行学习。