一、说在前面
今天开始第一节数据酷客的学习，进行机器学习的入门，机器能学习吗？
二、笔记
机器学习方法的分类
有监督学习
数据集中的样本带有标签，有明确目标
回归和分类
目标：找到样本到标签的最佳映射 y=f(x) 找到这个f
应用场景：垃圾邮件分类、病理切片分类、客户流失预警、客户风险评估、房价预测等
典型方法
回归模型：线性回归、岭回归、LASSO和回归样条等
分类模型：逻辑回归、K近邻、决策树、支持向量机等
无监督学习（根据数据本身的分布特点，挖掘反映数据的内在特性）
数据集中的样本没有标签，没有明确目标
聚类、降维、排序、密度估计、关联规则挖掘
聚类：将数据集中相似的样本进行分类，使得：
同一组对象之间尽可能相似；
不同组的对象之间尽可能不相似。
应用场景：
基因表达水平聚类：基因表达水平聚类∶根据不同基因表达的时序特征进行聚类，得到基因表达处于信号通路上游还是下游的信息
篮球运动员划分：篮球运动员划分∶根据球员相关数据，将其划分到不同类型（或者不同等级）的运动员阵营中
客户分析：把客户细分成不同客户群，每个客户群有相似行为，做到精准营销
电信客户分析（K-means）
K-means
(1)选择K个点作为初始质心
(2)Repeat：将每一个点指派到最近的质心，形成K个簇，重新计算每一个簇的质心
(3)直到质心不发生变化
强化学习
指挥决策的过程，通过过程模拟和观察来不断学习、提高决策能力
例如：AlphaGo
基本概念
agent：智能体（学习的对象）
environment：环境（和agent不断交互）
state：状态（environment对agent的反馈）
action：行动（根据state采取最佳的action）
reward：奖励
机器学习核心概念和一般流程：
数据集：一组样本的集合
样本：数据集的一行。一个样本包含一个或多个特征，此外还可能包含一个标签
特征：数据集的一列。在进行预测时的输入变量
以有监督学习为例：
有监督学习的数据集还分
训练集：用于训练模型的数据集
测试集：用于测试模型的数据集
模型：建立数据的输入x和输出y之间的映射关系 y=f(x)
损失函数： L(yi,f(xi))，用来制定一个学习目标
优化目标：对损失函数的最小化，最优化的问题
模型过于复杂(过度拟合)：例如参数过多，导致所选模型对已知数据预测得很好，但对未知数据预测很差
正则化：
模型的选择：
交叉验证（数据集不太大）：基本想法是重复地使用数据。将数据集随机切分，将切分的数据集组合为训练集和测试集，在此基础上反复进行训练，测试和模型选择。
K折交叉验证：随机地将数据切分为K个子集，每次利用k-1个子集的数据训练模型，余下的数据测试模型，最后选择在k次测评中平均性能最好的模型。
机器学习中的数学结构
数据也是有数据结构的，没有数据结构便无法处理数据
度量结构︰表示数据之间的距离。
网络结构︰有些数据本身就有网络结构，如社交网络。如果没有，可以利用度重结构给数据附加一个网络结构。
代数结构︰将数据看作向量、矩阵或更高阶的张量。tensorflow
几何结构︰流形、对称性等
度量结构与K近邻算法
文本处理为例：
计算两篇文章的距离，相似度：以字典上所有的词作为坐标，对应的文章中词频作为坐标值，便可以将文章表示为向量，使用余弦相似度来计算文章的距离
K近邻：当对测试样本进行分类时，找到训练集中与该样本集最相似的k个样本，根据k个样本的标签确定测试样本的标签。k的选择很重要，k不同可能会影响预测结果
提高计算速度：最常用的数据结构为k-d数，是二叉搜索树在多维空间上的扩展。
网络结构与PageRank算法
有了数据的度量结构，可以很容易定义一个网络结构。网络表示为G=<V,E>，V表示节点，E表示边。
例如两个样本的距离校宇某个阈值，就连一条边，也可以进一步将边赋予权重。
PageRank：
实践案例
案例1：使用KNN对新闻主题进行自动分类
案例2：使用PageRank对全球机场进行排序
实践工具
jieba
sklearn
pandas
matplotlib
networkx
三、体会
通过第一节课的学习我学习到了一些关于机器学习的基础知识，但是其中内部的实现还不了解，就像笔记中对老师的案例讲解和使用的工具根本不明白，先留下空缺，待之后的学习来填补空白。
