机器学习相关理论概念

简介:

• 机器学习专门研究计算机怎样模拟或实现人类的学习行为，使之不断改善自身性能。是一门能够发掘数据价值的算法和应用，它是计算机科学中最激动人心的领域。
• 机器学习目的: 通过自学习算法从数据中获取知识，进而对未来进行预测。
• 机器学习应用: 语音识别 无人驾驶 垃圾邮件过滤

1. 基于规则学习和基于模型的学习

• 基于规则的学习
  没有机器学习之前 垃圾邮箱的过滤
  
  但是基于规则的学习有一定的缺点:

  1. 规则是可以改变的
  2. 无法避免人为因素带来对结果的影响

• 基于模型的学习
  

• 机器学习学习什么? 机器学习是基于模型的学习,通过模型中的参数(y=kx + b为例),确定了k和b就知道了结果.

机器学习模型=数据 + 机器学习算法

• 对于不是机器学习问题:
  • 1-确定的问题
  • 2-统计的问题
• 对于机器学习来讲，通过历史数据结合算法，给出预测模型或规律进行预测分析
  • 1-推荐场景
  • 2-Facebook人物标记
  • 3-预测场景

2. 机器学习数据集的基本概念:

• 鸢尾花Iris Dataset数据集是机器学习领域经典数据集

在鸢尾花中花数据集中，包含150个样本和4个特征，因此将其记作150x4维的矩阵.

一般小写字母代表向量，大写字母代表矩阵。

3.机器学习的分类

• 有监督学习: 带有标签列的学习, 给机器一大堆标记好的数据,让机器自己学习归纳.

1. 分类问题对离散值进行预测
   

2)回归问题对连续值进行预测

• 无监督学习:
  聚类是一种探索性数据分析技术，在没有任何相关先验信息的情况下（相当于不清楚数据的信息），它可以帮助我们将数据划分为有意义的小的组别（也叫簇cluster）。其中每个簇内部成员之间有一定的相似度，簇之间有较大的不同。这也正是聚类作为无监督学习的原因。

1. 聚类: 物以类聚, 降相似度高的 或者 相同的聚在一起

2. 数据压缩中的降维
   面对的数据都是高维的，这就对有限的数据存储空间以及机器学习算法性能提出了挑战.

• 半监督学习: 一部分数据有标签，一部分数据没有标签
  

• 缺点：引入了专家知识，需要规避因为专家带来的影响

• 基于聚类的假设：

  • 首先数据集是一部分有标签一部分是没有标签，通过将有标签的数据结合没有标签的数据进行聚类。将相似度高的样本聚集在同一个组中，相异性较高的样本分在不同的组里面
  • 对于聚类之后的结果，在同一个组里面既有没有标记的样本也有具有标记的样本，就可以获取已经有标记的样本数据，通过样本的类别值少数服从多数的原则进行选举，将选举的类别值给没有标记的样本加上样本的标记，通过该方法就可以让没有标记的样本全部加上标记，从而实现转化为监督学习。

• 强化学习: 强化学习（Reinforcement Learning）是机器学习的一个重要分支，主要用来解决连续决策的问题

1. 无人驾驶
   2)alphaGo下棋

拓展:
除了上述学习方式，还有深度学习、迁移学习等学习方式，一般深度学习提取特征、强化学习解决连续决策，迁移学习解决模型适应性问题。

机器学习分类总结: