机器学习环境搭建及基础

一 环境准备

1. 创建虚拟环境

   （1） 安装virtualenv（pip install virtualenv）
   （2） 创建虚拟环境 – ml-venv （virtualenv ml-venv）
   （3） 激活虚拟环境 （cd ml-venv\scripts  回车后activate）  

2.  安装科学计算相关包

        pip install numpy
        pip install pandas
        pip install matplotlib

3. 安装scikit-learn

        pip install sklearn
        pip install scipy

4. 安装Jupyter notebook

        pip install jupyter

启动虚拟环境下cmd : jupyter notebook

二 机器学习基础——机器学习就是把无序的数据转换成有用的信息

1.概念

对于问题，无需写任何专门的代码，泛型算法（Generic Algorithms） 能对提供的数据得出一些有意思的结论。不用编码， 将数据输入泛型算法当中，它就会在数据的基础上建立出它自己的逻辑。

2.原理

打比方：学习算法是种子，数据是土壤，被掌握的程序是成熟的作物。机器学习专家就像农民，播下种子，灌溉，施肥，留意作物的生长状况。

3.机器学习案例

1.Google搜索引擎
2.垃圾邮件过滤（spam,nospam）
3.网易云音乐每日推荐
4.天气预报
5.社交网络恶意评论管理
6.......

4.人工智能与机器学习的关系

（1） 机器学习是一种人工智能的实现方法，深度学习是机器学习的一种技术

（2）机器学习是人工智能的子集，深度学习是机器学习的子集

5.人工智能的目的

教会计算机做现在人类能做的事，并且做得更好。

6.算法分类

（1）监督式学习 ：已经知道问题的答案并且可以反向找出解题的逻辑

•分类：主要任务是将实例数据划分到合适的分类中
•回归：预测数值型数据（数据拟合曲线：通过给定数据点最优拟合曲线）
（2）非监督式学习

•聚类：将数据集合分成由类似的对象组成的多个类的过程称为聚类
•密度估计：将寻找描述数据统计值的过程称之为密度估计
说明：数据没有类别信息，也不会给定目标值，非监督学习还可以减少数据特征的维度，以便于我们可以使用二维或三维图形更加直观的展示数据信息；
（3）强化学习

7.算法用途

8.算法选择

9.实现步骤

（1） 程序化
（2） 自动化
（3） 智能化
     神经网络 ：每一个节点都知道如何收集一组收据，找到它们的权重，做出对应的输出值（价格预测）
     递归神经网络（RNN）：每次使用神经网络的时候都会对它进行升级，这使得让它能跟根据最近浏览的信息更新它的预测。如果数据记忆足够大的话，它甚至能够模拟出长期的规律
     神经元：制造一个 权重 * 因素 简单算法，这个算法叫做神经元。

10.关键术语

•特征/属性
•目标变量
•实例
•分类
•样体集
•训练集
•训练样本
•测试数据
•知识表示

11.开发机器学习应用程序的步骤

1.收集数据
2.准备输入数据
3.分析输入数据
4.训练算法
5.测试算法
6.使用算法