1 概览
1.1 为什么使用机器学习
a）机器学习可以处理使用传统方法，太复杂，或者没有已知算法的问题
b）机器学习可以帮助人类学习，发现新趋势、新关联
1.2 机器学习应用例子
a）图像分类，用卷积神经网络CNN
b）自然语言处理NLP
c）强化学习（RL，reinforcement learn）：给定环境（如游戏），训练代理（如机器人），选择在一段时间内将他们的奖励最大化（如，机器人会在玩家失去一些生命值时获得奖励），alphaGo就是用RL实现的
1.3 机器学习的分类
a）有监督和无监督学习：
有监督学习，训练集是有标记的，常见的有：
k-邻近算法
线性回归
逻辑回归
支持向量机
决策树和随机森林
神经网络
无监督学习：
聚类算法
k-均值算法
DBSCAN
分层聚类分析（HCA）
异常检测和新颖性检测
单类SVM
孤立森林
可视化和降维
主成分分析（PCA）
核成分分析
局部线性嵌入
t-分布随机近邻嵌入
关联规则学习
降维的目的是在不丢失太多信息的前提下，简化数据，方法是将多个相关特征合并为一个，也叫特征提取
b）批量学习和在线学习
批量学习:
在线学习其实也是离线完成的，只是可以更新学习的数据流，在线学习的学习率越高，系统会迅速适应新数据，但同时会很快忘记就数据
c）基于实例的学习和基于模型的学习
基于实例的学习：系统通过实例的相似度来度量比较新实例和已经学习的实例，从而预测新实例的
基于模型的学习：构建实例的模型
1.4 机器学习的挑战
a）训练的数据量
b）训练数据不具有代表性
c）低质量数据
d）过拟合
解决过拟合的方法：
简化模型，减少参数
收集更多的数据
减少噪声
通过约束模型使其更简单，也被称为正则化：比如线性拟合中，规定截距为1
超参数：是学习算法的参数，不是模型的参数，在训练前确定，训练时不改变
e）欠拟合
1.5 测试和验证
分为测试集和训练集
防止调整超参数时，出现仅适用于测试集的最佳模型，却在实际应用中效果不佳，解决方法： 保持验证，即选取测试集的一部分作为验证集，用剩下的测试集去训练具有多种超参数的模型，选择验证集表现最佳的超参数，再用完整的训练集去训练模型
Original: https://blog.csdn.net/qq_44849814/article/details/124230127
Author: Mail Lee
Title: 蜥蜴书学习day1-机器学习概述
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/521307/
转载文章受原作者版权保护。转载请注明原作者出处！