01-人工智能概述
- 机器学习、人工智能与深度学习的关系
达特茅斯会议-人工智能的起点
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(人工神经网络)
从图上可以看出，人工智能最开始是用于实现人机对弈，到后面的开始处理垃圾邮件过滤【机器学习，机器去模仿人工神经网络】，到最后的图片识别效果显著【深度神经网络，在图像识别中取得好的成绩】，也就是人工智能发展的3个历程。
- 机器学习、深度学习的应用
传统预测: 店铺销量预测，移动用户流量消费预测，
图像识别: 人脸识别、无人驾驶
自然语言处理: 英文翻译、文本分类、感情分析、只能客服
02-机器学习
- 什么是机器学习
机器学习就是从数据中自动分析获得模型，并利用模型对未知的数据进行预测
大量的数量 –》 发布预测模型 --》 结果预测
例如，我们将大量的猫图片，利用Py转换为二进制的文件，然后交给机器去学习，去发现一定的规律后，下次机器就可以在大量的图片中发现包含猫的图片。
- 数据集的构成： 特征值 + 目前值
说明：有些数据我们没有目标值，但是也是可以根据他们的特征进行归类(有专门的算法)
03-机器学习算法分类
根据我们机器学习的结果有无目标值分为监督学习和无监督学习。
监督学习根据输入的数据特征分为分类学习和回归学习
监督学习：
目标值：类别 - 分类问题(猫狗的识别)
k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归
目标值：连续型的数据 - 回归问题(房屋价格预测，看做曲线)
线性回归、岭回归无监督学习：
目标值：无 - 无监督学习
聚类 k-means生活案例：
1、预测明天的气温是多少度？ 回归
2、预测明天是阴、晴还是雨？ 分类
3、人脸年龄预测？ 可回归/可分类
4、人脸识别？ 分类
04-机器学习开发流程
机器学习开发流程：
1）获取数据(数据量越大，数据越精确)
2）数据处理(对不符合要求的数据进行剔除，对不完整的数据进行数据完整)
3）特征工程(把数据处理成符合我们具有特征值的数据)
4）机器学习算法训练 –》 产生模型
5）模型评估(用一系列的方法对产生的模型进行评估，如果符合要求，则继续，否则轮训继续进行数据处理和特征工程)
6）应用(用模型对未知的数据进行预测)
05-学习框架介绍
学习框架和资料介绍：
1）算法是核心，数据与计算是基础【很消耗计算性能，需要能支持它计算的硬件设备，CPU和GPU等】
2）我们做的都是基于专业的算法工程师的基础上进行数据分析、业务分析、常见算法的整合以及结合特征工程进行参数的调优、优化
3) 实战类书籍推荐：
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）开源框架：
06-可用数据集
我们的数据集分为训练集和测试集合，机器学习主要用到了sklearn,下面介绍sklearn数据集
- 可用数据集
互联网公司内部接口： 借用百度
学习阶段可以用的数据集：
1）sklearn
2）kaggle(数据挖掘)
3）UCI(加州大学的一个研究机构)
- Scikit-learn工具介绍
- Scikit-Learn安装
# 会帮助我们去安装一下中间的插件，例如Numpy, Scipy等库
pip3 install Scikit-learn
- Scikit-learn包含的内容
07-sklearn数据集使用
08-字典特征抽取
09-文本特征抽取CountVectorizer
10-中文文本特征抽取
11-文本特征抽取TfidfVevtorizer
12-数据预处理-归一化
13-数据预处理-标准化
14-什么是降维
15-删除低方差特征与相关系数
16-主成分分析
17-instacart降维案例
18-总结