3、机器学习，人工智能应用工程师-高级.docxVIP

这是考试大纲，我想按大纲开始学习，今天学习(三)机器学习，按照大纲，给我出一份学习材料。要求材料丰富，详细，严格按大纲的大标题，小标题出具。内容要尽量通俗易懂。最后有关键知识的练习题和解析。再最后额外加入扩展知识学习内容。

机器学习

机器学习概述

机器学习的概念

-**定义**：机器学习是让计算机从数据中自动学习规律，并用于预测或决策的技术。简单说，就是让机器像人类一样“通过经验改进行为”。

-**核心逻辑**：输入数据→训练模型→模型对新数据做出预测（如通过历史房价数据学习规律，预测新房价格）。

机器学习的特点

**数据驱动**：依赖大量数据（如训练图像识别模型需数万张标注图片）；

**可优化性**：通过调整参数提升模型性能（如调整神经网络的层数）；

3.**自动化**：无需人工编写规则，模型自动从数据中提取特征（如垃圾邮件识别模型自动学习垃圾邮件关键词）。

（三）机器学习系统中反馈的作用

-**定义**：反馈是模型预测结果与真实结果的差异，用于指导模型优化。

-**类比**：如学生做题后对答案（反馈），发现错误后调整解题思路（优化模型）。

-**技术实现**：通过损失函数（如均方误差MSE）计算反馈，再用梯度下降法更新模型参数。

（四）机器学习的任务流程

**数据收集**：获取相关数据（如收集用户点击行为数据）；

**数据预处理**：清洗数据、划分训练集/测试集（如删除重复数据，80%数据用于训练，20%用于测试）；

**模型选择**：选择合适算法（如预测房价用线性回归）；

**模型训练**：用训练数据教模型学习规律；

**模型评估**：用测试数据验证模型准确性（如计算预测房价与实际价格的误差）；

**模型应用**：用训练好的模型对新数据预测（如预测未上市房源价格）。

（五）机器学习与深度学习、人工智能的关系

概念

定义

关系

人工智能（AI）

让机器具备类人智能的技术总称

最大范畴，包含机器学习、深度学习

机器学习（ML）

AI的核心分支，通过数据学习规律

是AI的“实现手段”，深度学习是ML的子集

深度学习（DL）

基于多层神经网络的机器学习技术

属于ML，因层数多（如100层以上神经网络）得名，擅长处理图像、语言等复杂数据

（六）机器学习与数据挖掘、数据分析的区别

-**机器学习**：重点是“预测”和“决策”（如用历史销售数据预测未来销量）；

-**数据挖掘**：重点是“发现数据中的隐藏模式”（如发现超市中啤酒与尿布常被一起购买）；

-**数据分析**：重点是“描述数据现状”（如统计某产品各地区销量占比）。

核心概念解析

**数据集、特征和标签**：

-**数据集**：一组数据的集合（如10万张猫狗图片）；

-**特征**：数据的属性（如图片的颜色、形状）；

-**标签**：数据的类别或目标值（如图片是“猫”还是“狗”）。

**监督式学习和非监督式学习**：

-**监督学习**：数据有标签（如用标注好的“垃圾邮件”和“正常邮件”数据训练分类模型）；

-**无监督学习**：数据无标签（如将用户按行为分成不同群体，无需提前知道群体定义）。

**强化学习和非强化学习**：

-**强化学习**：通过“行动-反馈”循环学习（如AlphaGo通过不断下棋优化策略，赢棋获奖励，输棋获惩罚）；

-**非强化学习**：不依赖实时反馈（如监督学习、无监督学习）。

**训练集、验证集和测试集**：

-**训练集**：用于教模型学习（如80%数据）；

-**验证集**：调整模型参数（如10%数据）；

-**测试集**：评估最终模型（如10%数据）。

**决策树**：

-类似“if-else”规则树（如判断一个人是否适合贷款：收入5000？→是→负债30%？→是→批准贷款）。

**熵**：-衡量数据混乱程度（如一堆硬币中正反比例越均匀，熵越高；全是正面，熵越低），决策树用熵选择最优分裂条件。

神经网络

神经网络的演变历史

-**起源（1943年）**：麦卡洛克和皮茨提出神经元数学模型，模仿生物神经元的“激活-抑制”机制；

-**低谷（1969年）**：明斯基指出单层感知机无法解决异或问题，导致研究停滞；

-**复兴（1980年代）**：反向传播算法解决多层网络训练难题，推动BP神经网络发展；

-**爆发（2010年后）**：深度学习（多层神经网络）因算力突破（GPU）和大数据崛起，如AlexNet在ImageNet图像识别中超越人类。

麦卡洛克—皮茨网络的概念和特点

-**模型结构**：单个神经元接收多个输入，加权求和后与阈值比较，决定是否激活（输出1或0）；

-**类比**：类似