机器学习——day1

Day1

学习利用python进行机器学习的误区（警惕老手陷阱）

• 必须非常熟悉python语法和擅长python编程
• 非常深入scikit-learn中的机器学习理论和算法
• 避免参与项目除了机器学习之外的部分（这是在小心提纯吗）

　　（传说中这会降低机器学习技能的速度和要到达通过机器学习来解决问题的目标）

　　（实践是检验知识的唯一标准）

1.1 什么是机器学习

　　就是Machine Learning啦（X）

　　机器学习是一门多领域的交叉学科，设计概率论、统计学、线性代数、算法等多门学科。通过模拟学习人的行为以获取新的知识或者技能重新组织已有的知识结构使其不断完善自身的性能。

　　应用领域有：树蛙、计算机视觉、自然语言处理、特征识别......

　　分为两个大类：无监督学习和监督学习！

　　1.1.1 监督学习

　　　　在机器学习过程中提供对错的指示（指示厨，出动！）。通过算法让机器自己减少误差。这类学习主要应用与分类和回归。

　　　　监督学习通过给定的训练数据集学习出一个目标函数，党新的数据到来的时候，可以根据这个函数预测出结果。（其训练集的要求是，必须包含输入和输出，当然也可以说是必须包括其特征和目标（人为标注的））

　　　　常见的监督学习算法包括回归分析和统计分类。

　　1.1.2 无监督学习

　　　　多的不说了，它就是利用K方式（KMean）建立中心（Centriole），通过循环和递减运算来减小误差，达到分类的目的。

　　　　ps：https://zhuanlan.zhihu.com/p/78798251?utm_source=qq（K方式的详解）

1.2 Python中的机器学习

　　一个关键词！Scikit-learn

　　与统计学略有差别，机器学习的预测模型是用来理解数据、解决问题的；聚焦于如何创建一个更加精准的模型，而不是用来解释模型是如何设置的。

　　接下来将会通过三个盆来学习机器学习：

1. 课程：学习在项目中如何将机器学习的任务和Python有机地结合在一起。
2. 项目：通过实力来理解学到的预测模型的知识。
3. 方法：学到一系列方法，简单进行复制粘贴操作就可以启动一个新的机器学习项目。

　　一般也会有六个步骤来进行学习：

• 定义问题（※）
• 数据理解
• 数据准备
• 评估算法（※）
• 优化模型（※）
• 结果部署

　　（ps：※为当前自认为比较重要的步骤）

1.3 学习小技巧

1. 启动一个可以在1h内完成的小项目（成就感万岁！）
2. 每周完成一个小项目来保持学习势头！（坚持的第一步就是写下来我要坚持,jpg）
3. 通过博客园、github、CSDN等平台分享自己的成果（反向督促！）

　　当然也有一些原则需要牢记：

• 学习机器学习是一段旅程（明确目标小心迷路）
• 常见办正事的工作产品（博客！博客！）
• 实时学习
• 利用现有的Skills（希望可以用上智能优化算法）
• 不可能完全掌握（你懂的）

代码路径：https://github.com/weizy1981/MachineLearning