機器學習概述
機器學習的定義
機器學習理性認識
通過歷史資料進行建模，通過建模後的公式進行**處理（理論上，資料越多，**也就越準）
ax + c= y
(x1,y1)
(x2,y2)
機器學習的主要目的就是求出a和c的值。也就是確定函式，然後通過函式進行**。
不論是什麼演算法（模型），構成的方程式是不同的。主要的是求出問題，然後如何進行**。
五部曲
機器學習概念
重要的機器學習物件：
隨著任務的不斷執行，經驗的累積會帶來計算機效能的提公升
模型（e）：基於資料和演算法構建出來的模型
評估/測試（p）：對模型進行評估的策略
機器學習概念性含義
機器學習概念-對演算法的資料的常規描述
機器學習之常見應用框架
sciket-learn主要演算法
深度學習90%使用邏輯回歸（乙個比較大並且重要的演算法）
機器學習之商業場景
精準營銷：從使用者群眾中找出特定的要求的營銷物件。
客戶細分：試圖將使用者群體分為不同的組，根據給定的使用者特徵進行客戶分組。
**建模及分析：根據已有的資料進行建模，並使用得到的模型**未來。
機器學習、資料分析、資料探勘區別與聯絡
機器學習分為：有監督學習、無監督學習、半監督學習
有監督學習
無監督學習
半監督學習
自監督學習：沒有標記樣本
有監督用的比較多，無監督的準確率比較低，用的少
無監督學習的優點是不需要人對其進行標註樣本（發展就要發展無監督學習）
半監督學習大部分使用深度學習。
樣本量少，優先選擇半監督
機器學習分類
機器學習演算法top10演算法
演算法描述
c4.5
分類決策樹演算法,決策樹的核心演算法,id3演算法的改進演算法（淘汰了）
cart
分類與回歸樹(classification and regression tree)
knnk近鄰分類演算法;如果乙個樣本在特徵空間中的k個最相似的樣本中大多數屬於某乙個類別,name該樣本也屬於該類別
*****bayes
貝葉斯分類模型;該模型比較適合屬性相關性較小的時候,如果屬性相關性比較大的時候,決策樹模型比貝葉斯分類模型效果好(原因:貝葉斯模型假設屬性之間是互不影響的)
svm支援向量機,一種有監督學習的統計學習方法,廣泛應用於統計分類和回歸分析中
em最大期望演算法,常用於機器學習和計算機視覺中的資料集聚領域
apriori
關聯規則挖掘演算法
k-means
聚類演算法,功能是將n個物件根據屬性特徵分為k和分割(kpagerank
google搜尋重要演算法之一（google自己也取消了）
adaboost
迭代演算法;利用多個分類器進行資料分類（2023年最好的機器學習演算法）
機器學習、人工智慧和深度學習的關係
機器學習與智慧型
機器學習基礎 1 概述
機器學習 通過已有的資料,對未來進行 的原則，方法和演算法。機器學習的任務 構建模型 y f x,1.y 輸出 2.x 輸入 3.需要學習的引數 回歸 classification 輸出 y 是連續的。分類 regression 輸出 y是離散的。有監督學習 supervised learning ...
機器學習入門基礎
一，什麼是人工智慧 人工智慧 artificial intelligence 英文縮寫為 ai。它是研究使計算機來模擬人的某些思維過程和智慧型 行為 如學習 推理 思考 規劃等 的學科，主要包括計算機實現智慧型的原理 製造類似於人腦智慧型的計算機，使計算機能實現更高層次的應用。人工智慧將涉及到電腦科...
機器學習 入門基礎
對於kaggle中machine learning course和learn pandas的學習筆記 intro to data structures pandas kaggle course creating,reading,and writing reference 十分鐘的 pandas 入門...