机器学习-1
1. 机器学习算法分类
- 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
- 算法是核心，数据与计算是基础
- 找准定位
- 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
-
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