机器学习的初步认识

摘要: 机器学习方法是计算机利用已有的数据(经验)，得出了某种模型(迟到的规律)，并利用此模型预测未来(是否迟到)的一种方法



需要学习的知识点

1如何让机器“学习”
2神经网络的概念
3有监督与无监督学习的区别
4回归与分类的区别
5损失函数的概念
6梯度下降算法介绍
7超参数的概念

需要的专业知识

1函数导数的概念及求导链式法则
2矩阵的概念及其基本运算规则
3python numpy等科学计算库的使用

机器学习两大类问题 --回归（regression）和 分类（classification）

1回归：对于一个输入x，预测其输出值y，且这个y值是根据x连续变化的值。
2分类：问题则是事先给定若干个类别，对于一个输入x，判断其属于哪个类别，即输出一般是离散的

回归和分类的区别：

本质一样，分类问题输出只允许取两个值；回归问题中，输出可取任意值；
定量输出成为回归，即连续变量预测（预测明天气温多少度）；
定性输出成为分类，即离散变量预测；（预测明天是阴还是晴）

机器学习方法（有监督和无监督）

1 有监督 既包含输入x,又包含x对应的y，即学习数据已经事先给出了正确答案。
2 无监督 无监督学习则是只有输入x 无监督学习要更难

模型的构建--神经网络

1 用来解决问题的模型model
2 学习数据（或者说训练数据）data
3 让模型model通过数据data学会解决特定问题的学习算法learn

学习体系

阶段一 数学基础
1 数据分析
2 概率论
3 线性代数及矩阵
阶段二 Python
Python 机器学习库  NumPy, Pandas, Matplotlib 和 IPython

Anaconda  contains  [Numpy , Scipy Matplotlib  Pandas Scikit-Learn]

Numpy {array funciton , the speed is C }

Scipy {offfer the matrix funciton and algorithm}

Maplotlib{draw the picture maily 2 dimension}

Pandas {the strongest tool of data analysis support sql grammmer}

read and write excel {pip install xlrd;  pip install xlwt }

StatsModels {related with Pandas}

Scikit-Learn{machine learn}

Keras {cnn, based on Theano}

监督学习算法：
线性回归，逻辑回归，神经网络，SVM（支持向量机）

无监督学习算法：
聚类算法，降维算法

特殊算法：
推荐算法

智慧是对生活的感悟，是对人生的积淀与思考

机器学习界名言： 成功的机器学习应用不是拥有最好的算法，而是拥有最多的数据！

AI实例:http://blog.csdn.net/u014365862/article/details/54380422
学习网站：http://open.163.com/special/opencourse/machinelearning.html