机器学习（1）概述

　　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的

　　人工智能的起点——达特茅斯会议，用机器来模仿人类学习

　　机器学习的应用场景非常多，涉及各个领域，如传统预测，图像识别，自然语言处理

　　机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测

　　那么用来分析的数据，从历史数据中怎么获得规律？这些历史数据是怎么的格式？

• 数据集的构成

　　结构：特征值+目标值

如房子面积，位置，楼层，朝向就是特征值，还有最后的目标值，数据集就是同这种构成

对于每一行数据我们可以称之为样本

有些数据可以没有目标值

 如这一类人，没有目标值，该根据什么来对他们进行划分呢，俗话说人以类聚，物以群分，我们也是可以通过他们的特征值将其划分的

• 机器学习算法分类

如何区分一个图片中是猫还是狗？我们可以概括目标值，是一个类别；

当遇到的数据集有目标值时，称为监督学习：

　　可以将这一类目标值是类别（离散值）的就可以概括为分类问题；
　　分类K-近邻算法，贝叶斯算法，决策树与随机森林，逻辑回归

　　当我们遇到的目标值的数据是连续型的数据时，我们可以将这一类问题归纳为回归问题；

　　线性回归，岭回归

当我们遇到的数据集中没有目标值时，我们可以将这一类问题归纳为无监督学习

　　聚类K-means

•  小练习：说一下下列问题的具体问题分类

　　预测明天的气温是多少度——回归

　　预测明天是阴，晴还是雨天——分类

　　人脸年龄预测——可以回归，类似具体年龄：可以分类，类似中年，老年一类，具体看如何定义

　　人脸识别——分类

• 机器学习开发流程

 　　1).获取数据

　　2).数据处理

　　3).特征工程

　　4).机器学习算法训练——模型

　　5).模型评估

　　6).应用

• 学习框架

　　算法是核心，数据与计算是基础；找准定位；大部分复杂模型的算法设计都是算法工程师在做，而我们：分析很多的数据；分析具体的业务；应用常见的算法；特征工程，调参数，优化；

　　机器学习库和框架：