机器学习-1

1. 机器学习算法分类

1. 监督学习（supervised learning）预测

•  定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值（称为回归），或者是输出有限个离散值（称作分类）。
• 目标值：类别-分类问题
• 目标值：连续型的数据-回归问题
• 分类问题：k-近邻算法，贝叶斯分类，决策树与随机森林，逻辑回归 
• 回归问题：线性回归，岭回归

   2. 无监督学习（unsupervised learning）

• 定义：输入数据是由输入特征值所组成。
• 聚类 k-means

 2. 机器学习开发流程

• 获取数据
• 数据处理
• 特征工程
• 机器学习算法训练 - 模型
• 模型评估
• 应用
• 

 3. 学习框架和资料介绍

• 明确几个问题

1. 算法是核心，数据与计算是基础
2. 找准定位
3. 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

1. 找实战类数据看

• 
• 入门
• 机器学习 - 周志华 - “西瓜书”
• 统计学习方法 -  李航
• 深度学习 - “花书”
• 先学会分析问题，使用机器学习算法 的目的，想要算法完成何种任务。
• 掌握算法基本思想，学会对问题用相应的算法解决
• 学会利用库或者框架解决问题

• 机器学习库与框架

• 
• 机器学习：scikit-learn
• 深度学习：pytorch ,tensflow