版权声明:如有侵权,请联系,如有错误,望指正,欢迎转载 https://blog.csdn.net/qq_29630271/article/details/79329372
什么是机器学习(machine learning)
- 假设用P来评估计算机程序在某任务类T上的性能,若一个程序通过利用经验E在T中任务上获得了性能改善,则我们就说关于T和P,该程序对E进行了学习
常用数据集
分类
第一种分类(重点)
- 监督学习(supervised learning)
- 回归(regression):输入变量与输出变量均为连续变量的预测问题称为回归问题。包括:k近邻法、感知机、朴素贝叶斯法、决策树、决策列表、逻辑斯谛回归模型、支持向量机、提升方法、贝叶斯网络、神经网络、Winnow等。
- 分类(classification):输出变量为有限个离散变量的预测问题称为分类问题。包括:一元回归和多元回归、线性回归和非线性回归。
- 标注(tagging):输入变量与输出变量均为变量序列的预测问题称为标注问题。包括:隐马尔可夫模型、条件随机场。
- 非监督学习(unsupervised learning)
- 聚类(clustering)
- 半监督学习(semi-supervised learning)
- 强化学习(reinforcement learning)
第二种分类
- 批量学习
- 在线学习
第三种分类
- 参数学习
- 非参数学习
机器学习定理
- 奥卡姆剃刀原理(occam’s razor)
- 没有免费午餐定理
学习内容
- python
- jupyter
- numpy
- scipy
- pandas
- pillow
- matplotlib
- scikit-learn
- tensorflow
- keras
- theano
参考
- google官方机器学习教程
- Andrew Y. Ng的课
- 机器学习-周志华
- 统计学习方法-李航