一、机器学习与人工智能、深度学习
1、机器学习是人工智能的一个实现途径
2、深度学习是机器学习的一个方法发展而来
二、统计学习和机器学习
实际机器学习在上世纪80年代已经出现，搞统计的
机器学习中有一个方法，叫人工神经网络，发展成深度学习
三、机器学习、深度学习能做什么
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
机器学习领域：
1、传统预测
2、图像识别
3、自然语言处理
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
四、什么是机器学习
1、定义
机器学习是从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
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
对猫、狗的识别：
从数据（大量的猫和狗的图片）中自动分析获得模型（辨别猫和狗的规律），从而使机器拥有识别猫和狗的能力
预测房屋的价格：
从数据（房屋的各种信息）中自动分析获得模型（判断房屋价格的规律），从而使机器拥有预测房屋价格的能力
思考问题：
从历史数据当中获得规律，这些历史数据是怎样的格式？
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
五、机器学习算法分类
1、如何区分猫和狗
特征值：猫/狗的图片
目标值：猫/狗 - 类别
是分类问题
2、对房屋价格进行预测
特征值：房屋的各个属性信息
目标值：房屋价格-连续性数据
是回归问题
3、识别职业
特征值：人物的各个属性信息
目标值：无
是无监督学习
4、分类
目标值：类别 - 分类问题
目标值：连续型的数据 - 回归问题
目标值：无 - 无监督学习
分类是逻辑回归，预测是线性回归
5、小练习
预测明天的气温是多少度？ 回归
预测明天是阴、晴还是雨？ 分类
人脸年龄的预测？ 具体年龄：回归问题；判断大小：分类问题
人脸识别？ 分类
6、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
回归：线性回归、岭回归
7、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
六、机器学习开发流程
步骤：
1、获取数据（爬虫）
2、数据处理（数据分析）
3、特征工程
4、使用机器学习算法训练，训练好之后得到模型
5、模型评估（验证集）
如果模型比较好，就可以应用了
如果模型不好，返回数据处理重新来过，产生新的模型
七、学习框架和资料
1、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
2、大部分复杂模型的算法设计都是算法工程师在做，而我们
（1）分析很多的数据
（2）分析具体的业务
（3）应用常见的算法
（4）特征工程、调参数、优化
3、我们应该怎么做
（1）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
（2）掌握算法基本思想，学会对问题用相应的算法解决
（3）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
机器学习 -- "西瓜书" 周志华
统计学习方法 -- 李航
深度学习 -- "花书"
4、库和框架
先成为一个调包侠~
pytorch、tensorflow、theano、caffe2、chainer、华为的mindspore
theano可以看做tensorflow的前身
chainer可以看做pytorch的前身