机器学习入门课件.pptxVIP

长沙爱财网络科技李剑

1.什么是机器学习2.机器学习与人工智能的关系机器学习是人工智能领域的一部分，并且和知识发现与

1.符号主义：使用符号、规则和逻辑来表征知识和进行逻辑推理，代表的算法是：规则和决策树2.贝叶斯派：获取发生的可能性来进行概率推理，最喜欢的算法是：朴素贝叶斯或马尔可夫3.联结主义：使用概率矩阵和加权神经元来动态地识别和归纳模式，主要算法是：神经网络4.进化主义：生成变化，然后为特定目标获取其中最优的，代表的算法是：遗传算法5.Analogizer：根据约束条件来优化函数（尽可能走到更高，但同时不要偏离），代表的算法是：支持向量机

-架构：服务器或大型机-主导理论：知识工程-基本决策逻辑：决策支持系统，实用性有限-识别：更加精准的图像和声音识别、翻译、情绪分析等

--主导理论：感知的时候有网络，推理和工作的时候有规则简单感知、推理和行动：有限制的自动化或人机交互-主导流派：算法融合--主导理论：最佳组合的元学习感知和响应：基于通过多种学习方式获得的知识或经验采取行动或做出回答

?选择数据：将你的数据分成三组：训练数据、验证数据和测试数据(训练效果，验证效果，泛化效果)?数据建模：使用训练数据来构建使用相关特征的模型(特征：对分类或者回归结果有影响的数据属性，例如，表的字段)特征工程。?训练模型：使用你的特征数据接入你的算法模型，来确定算法模型的类型，参数等。?测试模型：使用你的测试数据检查被训练并验证的?使用模型：使用完全训练好的模型在新数据上做预测?调优模型：使用更多数据、不同的特征或调整过的参数来提升算法的性能表现

u统计学：分析并比较变量之间的关系u机器学习：数据科学家使用训练数据集来教计算机应该怎么做，然后系统执行该任务。该计算可学习识别数据中的关系、趋势和模式u智能应用：智能应用使用人工智能所得到的结果，如图是一个精准农业的应用案例示意，该应用基于无人机所收集到的数据

工作机制：训练数据一部分数据为生成数据，一部分数据为监督数据，算法分为生成器和判定器两部分，生成器的目标是使判定器接受自己的数据，判别器是为了最大可能的区分生成数据和监督数据。通过不断的训练使两者都达到最佳性能。

u决策树(DecisionTree)u支持向量机(SupportVectorMachine)u回归分析(Linear/LogisticRegression)u朴素贝叶斯(NaiveBayesClassification)u随机森林(Randomforest）uK阶近邻(KNearestNeighbor)uK均值算法u降维算法u集成算法

u在进行逐步应答过程中，典型的决策树分析会使用分层变量或决策节点，例如，可将一个给定用户分类成信用额度进行分类。(如何找到一个快速准确决策的路径)u优点：擅长对人、地点、事物的一系列不同特征、品质、特性进行评估u场景举例：基于规则的信用评估、赛马结果预测

u基于超平面（hyperplane），支持向量机可以对数据群进行分类。用核函数将数据映射到高维度做分类或者回归u优点：支持向量机擅长在变量与其它变量之间进行二元分类操作，无论他们之间的关系是否是线性的

?回归可以勾画出因变量与一个或多个因变量之间的状态关系。在这个例子中，将垃圾邮件和非垃圾邮件进行了区分。?优点：回归可用于识别变量之间的连续关系，即便这个关系不是非常明显?场景举例：路面交通流量分析、邮件过滤

u朴素贝叶斯分类器：假定模型的的各个特征变量都是概率独立的，根据训练数据和分类标记的的联合分布概率来判定新数据的分类和回归值。u优点：对于在小数据集上有显著特征的相关对象，朴素贝叶斯方法可对其进行快速分类

1.风控征信系统2.客户关系与精准营销3.推荐系统10.量化交易11.智能客服12.商业智能BI

机器学习算法的项目代码演示u线性回归算法简介u支持向量机算法uKNN的算法例子

统计学习方法(李航)机器学习(周志华)深度学习(Iangoodfellow)，数据挖掘基础,机器学习实战4.网上视频教程(可参考知乎问答)CourseraUdacity网易云课堂，网易公开课推荐机器学习斯坦福5.算法框架（看自己的喜好）AndrewNg深度学习courseraAndrewNg网易云课堂sklearn,keras，paddlepaddle,angel,theano,caffe,torch,pytorch,tensorflow,numpy,pandas,matplotlib,mxnet机器学习推荐sklearn,numpy,pandas,matplotlib深度学习推荐ker