算法：机器学习分类

Python与机器学习 1

目标

1. 实现人工智能；
2. 研究利用数据和经验进行学习；
3. 改善算法的性能；

机器学习类别

类别	特点	举例
无监督学习	无标签	聚类、降维
监督学习	有标签	分类，回归
强化学习	无标签，学习+决策

涉及领域

1. 概率论
2. 统计学
3. 算法复杂度
4. 等

应用

1. 网络搜索
2. 垃圾邮件过滤
3. 推荐系统
4. 广告投放
5. 信用评价
6. 欺诈检测
7. 股票交易
8. 医疗诊断
9. 等

分类

根据已有的分类标准将多个目标分成几种类型

聚类

发掘几种目标的分类标准并将其分类

回归

发掘两组数据之间的相关性，如线性回归、曲线回归、Logistic回归等，用于发掘相关性、预测发展、判定可能性等

降维

降低数据维度，方便数据计算、获取本质特征、节省存储空间等

中文名	英文名
监督学习	Supervised Learning
无监督学习	Unsupervised Learning
半监督学习	Sime-supervised Learning
强化学习	Reinforcement Learning
深度学习	Deep Learning

Python Scikit-learn 特点

1. http://scikit-learn.org/stable/
2. Machine Learning in Python
3. 一组简单有效的工具集
4. 依赖Python的Numpy、Scipy和Matplotlib库
5. 开源、可复用

类别、应用，与其常用函数

类别	应用	常用函数
分类 classification	异常检测、图像识别，等	KNN（最近邻节点算法）、SVM（支持向量机）等
聚类 clustering	图像分割、群体 划分，等	k-Means（Kj均值算法）, 谱聚类等
回归 regression	价格预测、趋势预测，等	线性回归、SVR（支持向量回归）等
降维 Dimension Reduction	可视化	PCA（主成分分析法）、NMF（非负矩阵分解）

课程数据推荐

1. 《机器学习》 周志华
2. 《PRML》
3. 《数学之美》、《机器学习实战》、《推荐系统实践》、《海量数据挖掘》
4. 《统计学习方法》、《数据挖掘导论》、《数据挖掘（韩家炜）》
5. 《PRML》、《ESL》、《MLAPP》
6. 课程主页： http 😕/cs231n.stanford.edu 😕/cs231n.stanford.edu
7. 课程主页： http://cs229.stanford.edu

前提库

1. Numpy ： 多维数组、矩阵及矩阵运算
2. Scipy：积分、插值、优化、信号处理等算法
3. Matplotlib：可视化

Sklearn库中的标准数据集及基本功能

数据集

基本功能

1. 分类
2. 回归
3. 聚类
4. 降维
5. 模型旋转
6. 数据预处理