机器学习一
1)贴上Python环境及pip list截图,了解一下大家的准备情况。暂不具备开发条件的请说明原因及打算。
2)贴上视频学习笔记,要求真实,不要抄袭,可以手写拍照。
(1)、机器学习概述
机器学习:
机器学习是AI的一个分支,我们使用计算机设计一个系统,通过提供训练数据按照一定方式来学习;随着训练次数的增加,该系统可以在性能上不断学习和改进;通过参数优化学习模型,预测相关问题。
机器学习的一般流程:
数据收集->数据清洗->特征工程->数据建模
(2)、Python基础
库:
Pip:安装包工具
Numpy:多维数组处理工具
Pandas:在numpy的基础上提供了更多的数据读写工具
Scipy:科学计算工具包
Matplotlib:绘图库
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:
机器学习是AI的一个分支,我们使用计算机设计一个系统,通过提供训练数据按照一定方式来学习;随着训练次数的增加,该系统可以在性能上不断学习和改进;通过参数优化学习模型,预测相关问题。
分类:
1.监督学习
监督学习是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。
2.无监督学习
无监督学习是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。
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。
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。强化学习的目标是学习从环境状态到行为的映射,使得智能体选择的行为能够获得环境的最大奖赏,使得外部环境对学习系统在某种意义下的评价为最佳。其在机器人控制、无人驾驶、下棋、工业控制等领域获得成功应用。