机器学习开荒02

没想到真的有人看哈哈，那就多说两句，本小白是在准备考研复试，文章仅作总结，笔记使用，出现一定的错误和误区纯属正常现象。

 本文可能存在一定错误与误区，期待各位读者指正。
本文章中的部分例子仅用于生动解释相关概念，切勿结合实际过度解读。
语雀链接：《机器学习与深度学习》
部分内容来源：B站：李哥考研

1.6机器学习基础知识

复试包括面试注重基础知识点，而不是你代码写了什么，代码这段是干什么的。

深度学习在不断变化，以后回过头来有差异很正常

大纲

0.机器学习与深度学习介绍

1.多层神经网络，多层感知机

2.python基本操作，环境搭建，pytorch介绍

3.深度学习解决回归任务。回归代码实战：新冠人预测。（目标是看懂一个深度学习项目，模型保存，预测，训练集和验证集划分，测试集评估）

4.图片分类任务，卷积神网络介绍。经典卷积神经网络

5.图片分类任务实战，食物分类任务。（迁移学习，图片增广，目标是学会写一个项目）

6.深度学习和特征的关系，为后面做铺垫的课

7.nlp任务介绍，（RNN，LSTM简单介绍）。主要介绍self-attention机制与bert模型代码的讲解。（无监督和自监督在这一章介绍）。

8.BERT实战，文本感情分类任务。

9.初识生成任务，认识生成任务项目代码。

10.Vit模型与多模态任务，大模型简介。

零：

人工智能——很早就运用了，

早期 一套规则，输入，然后按规则输出（象棋人工智能），

后来（数据量太大了，无法穷尽） 深度学习，围棋人工智能。通过答案和数据自己推理规则，而不是产生答案。

狭义机器学习，上述图片的

基于数学或者统计学方法，具有很强的可解释性（说得通，令人信服）。（几个经典的传统机器学习算法，KNN，决策树，朴素贝叶斯）

KNN:K最近邻居（K-Nearest Neighbors）

一种监督算法，用于分类和回归问题，基本思想是通过测量不同数据点之间的距离来进行预测

Knn工作原理可以概括为以下几个步骤

1. 距离度量，knn使用距离度量（通常是欧式距离（现实世界的三维距离））来衡量数据点之间的相似性。
2. 确定邻居数量k
3. 投票机制

决策树——根据以往的数据画出一个决策树来判断新的数据——不善于处理没见过的特征，添加其他特征

朴素贝叶斯算法（朴素贝叶斯的后验）就是学姐已经到终点了，然后看学姐是通过哪个途径来的，计算其概率。

0.067

*推荐一个b站up讲机器学习算法的 风中摇曳的小萝卜

关于深度学习，是机器学习的一个子集，利用多层神经网络从大量数据中进行学习——设计一个很深的网络架构让机器自己学。（是个黑匣子，没有可解释性，是一个实践为主的科目）

记住一句话，所谓深度学习就是在找一个函数f。通过x输入能得到正确的输出就是成功！

今天有点懒，就更一点，明天一定补个长的