机器学习——【1】概述篇
1.1 机器学习与人工智能，深度学习
1.1.1 机器学习和人工智能，深度学习的关系
- 机器学习是人工智能的一个实现途径
- 深度学习是机器学习的一个方法发展而来
1.1.2 机器学习、深度学习能做些什么
机器学习的应用场景非常多，可以说渗透到了各个行业领域当中。医疗、航空、教育、物流、电商等等领域的各种场景。
- 用在挖掘、预测领域：
- 应用场景：店铺销量预测、量化投资、广告推荐、企业客户分类、SQL语句安全检测分类…
- 用在图像领域：
- 应用场景：街道交通标志检测、人脸识别等等
用在自然语言处理领域：
- 应用场景：文本分类、情感分析、自动聊天、文本检测等等
当前重要的是掌握一些机器学习算法等技巧，从某个业务领域切入解决问题。
1.2 什么是机器学习
1.2.1 定义：
机器学习是从历史数据中自动分析获得模型，并利用模型对未知数据进行预测。
1.2.2 解释：
- 我们人从大量的日常经验中归纳规律，当面临新的问题的时候，就可以利用以往总结的规律去分析现实状况，采取最佳策略。
从历史数据当中获得规律？这些历史数据是怎么的格式？
1.2.3 数据集构成
- 结构：特征值+目标值
注：
- 对于每一行数据我们可以称之为样本。
- 有些数据集可以没有目标值：
1.3 机器学习算法分类
1.3.1 机器学习算法分类
- 监督学习(supervised learning)（预测）
- 定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归），或是输出是有限个离散值（称作分类）。
- 分类 k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
- 回归 线性回归、岭回归
- 无监督学习(unsupervised learning)
- 定义：输入数据是由输入特征值所组成。
- 聚类 k-means
1.3.2 例子
（1）分类问题
特征值：猫/狗的图片；目标值：猫/狗-类别
（2）回归问题
特征值：房屋的各个属性信息；目标值：房屋价格-连续型数据
（3）无监督学习
特征值：人物的各个属性信息；目标值：无
1.4 机器学习开发流程
1.5 学习框架和资料介绍
需明确几点问题：
（1）算法是核心，数据与计算是基础
（2）找准定位
大部分复杂模型的算法设计都是算法工程师在做，而我们
- 分析很多的数据
- 分析具体的业务
- 应用常见的算法
- 特征工程、调参数、优化
- 我们应该怎么做？
- 学会分析问题，使用机器学习算法的目的，想要算法完成何种任务
- 掌握算法基本思想，学会对问题用相应的算法解决
- 学会利用库或者框架解决问题
当前重要的是掌握一些机器学习算法等技巧，从某个业务领域切入解决问题。
1.5.1 机器学习库与框架
1.5.2 书籍资料
1.5.3 小提升（但不是必须）
