机器学习概述
1)Python环境及pip list截图
- Python环境
- pip list截图
2)视频学习笔记
主要内容:
1、机器学习示例
2、机器学习的角度看数学:
2.1 数学分析
导数与梯度、aylor展式的应用
2.2 概率论基础
古典概型、频率学派与贝叶斯学派、常见概论分布、Sigmoid/Logistic函数的引入
3)什么是机器学习,有哪些分类?结合案例,写出你的理解。
1.什么是机器学习?
对于某给定的任务T,在合理的性能度量方案P的前提下,某计算机程序可以自主学习任务T的经验E;随着提供合适、优质、大量的经验E,该程序对于任务T的性能逐步提高。
这里最重要的是机器学习的对象:
①任务Task,T,一个或者多个
②经验Experience,E
③性能Performance,P
即:随着任务的不断执行,经验的累积会带来计算机性能的提升。
我认为机器学习就是收集数据让计算机去预测以及判定某固定事件的发生或者重复该数据事件。
目前机器学习主流分为监督学习、无监督学习、增强学习。
监督学习:
监督学习可分为“回归”和“分类”问题。
在回归问题中,我们会预测一个连续值。也就是说我们试图将输入变量和输出用一个连续函数对应起来;
而在分类问题中,我们会预测一个离散值,我们试图将输入变量与离散的类别对应起来。
无监督学习:
在无监督学习中,我们基本上不知道结果会是什么样子,但我们可以通过聚类的方式从数据中提取一个特殊的结构。
在无监督学习中给定的数据是和监督学习中给定的数据是不一样的。数据点没有相关的标签。
相反,无监督学习算法的目标是以某种方式组织数据,然后找出数据中存在的内在结构。
这包括将数据进行聚类,或者找到更简单的方式处理复杂数据,使复杂数据看起来更简单。
强化学习:
强化学习是一种学习模型,它并不会直接给你解决方案——你要通过试错去找到解决方案。