机器学习笔记之综述

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

• 参考

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