机器学习概论

 

一、机器学习从业方向

从事机器学习的从业人员大致分为以下三类：

1.“重造轮子”学派：如百度的PaddlePaddle

2.“参数调教”学派：如一些研究院或学校，为了发表文章而过于注重参数调优，从而导致了模型过拟合。

3.“拳打脚踢”学派：研发人员都分散在业务组，他们都不会在参数调优上浪费时间，而是更注重实际业务的处理。

 

二、机器学习模型选择。

  机器学习有监督学习和非监督学习两类。

  1. 监督学习有：决策树、K近邻、贝叶斯决策、SVM、逻辑回归等。

  2.非监督学习有：K means,PCA等。

  近来深度学习得到了飞速的发展，但是由于其模型的复杂与不好解释等特性，其在实际中的应用还是有应用限制，并且由于深度学习需要大量的数据来训练庞大的神经网络，因此它更使用与有数据的应用场景：图片，语音，广告推送等。

  如果数据量小，稀疏的数据不足以支撑复杂神经网络的训练的时候，深度学习的表现就不是那么理想，反而传统的机器学习方法，或更进一步说一些简单的线性分类器反而能表现出非常卓越的性能。

三、机器学习中比较活跃的四大应用领域：

          

 1. 数据挖掘：糖尿病预测、血糖值预测等，数据集一般都是一些关系型数据库。

 2. 计算机视觉:图片分类、目标检测、语义分割、场景理解、人脸识别等，数据集一般都是一些图片。

 3. 自然语言处理：文本分类、自动生成文本摘要、翻译、人机对话等，数据集一般是一些语音数据或文本资料。

 4. 机器人决策：自动驾驶、机器人开门等

   

四、对自身的要求。

1.路线：传统机器学习->深度学习->强化学习（实际场景可能对机器学习的要求不同）

2.方法：循序渐进

3.使用现有的模型入sklearn /tensorflow/…………等进行训练，基于先用应用的一些基础，解决自己的问题。

4.在掌握好基本机器学习方法的情况下，可以参加几次比赛验证自己的水平。

5.将机器学习模型进行移植，解决自己的问题。