第四周:机器学习知识点回顾

发布时间:2023年12月24日

前言
讲真,复习这块我是比较头大的,之前的线代、高数、概率论、西瓜书、樱花书、NG的系列课程、李宏毅李沐等等等等…那可是花了三年学习佳实践下来的,现在一想脑子里就剩下几个名词就觉得废柴一个了,朋友们有没有同感,高中的留给高中老师,大学的给大学老师,研究生的留给谁了呢~但是呢,想想我马上要成为风口上的众多马上飞起的(* ̄(oo) ̄),不说废话,撸起袖子开干!!!
tips:不做具体视频课程学习,基本会按照有PPT的看PPT,知识点忘得比较干净的上最新的课程里面查漏补缺,也不能忘得一干二净不是,还是留了点的O(∩_∩)O哈哈~

学习资料

我的专栏笔记为主(基本涵盖了下面的资料):
在这里插入图片描述
其他资料为辅

  1. 机器学习数学基础:高等数学、线性代数、概率论 (简单回顾)
  2. 李航《统计学习方法》:https://zhuxiaoxia.blog.csdn.net/article/details/78333599
  3. 吴恩达的《Machine Learning》
  4. 《李宏毅机器学习2017》观看地址:http://t.cn/RpO3VJC
  5. 书籍 - 周志华的《机器学习》-西瓜书
  6. 书籍 - Peter Harrington的《机器学习实战》

知识点串联

机器学习基础

概念:从数据中自动分析得出数据模型,并对数据进行预测;

机器学习流程

在这里插入图片描述

  1. 获取数据:

名词:样本、特征、目标值(标签值)、特征值
数据结构:① 特征值 + 目标值(连续|离散);②只有特征值;
数据分割:训练数据(构建模型)、测试数据(评估模型)

  1. 数据基本处理:缺失值、异常值处理等
  2. 特征工程

特征提取:文本/图像/语音等输入>>> 机器学习的数字特征
特征预处理:特征数据–【通过转换函数】–适合算法模型的数据
特征降维:降低随机变量(特征)个数,得到“不相关”主变量过程,eg:地球仪 》地图

  1. 机器学习(模型训练):监督、无监督、半监督、强化
  2. 模型评估

分类模型评估:准确率、精确率、召回率、F1-score、AUC指标;
回归模型评估:均方根误差RMSE、相对平方误差RSE、平均绝对误差MAE、相对绝对误差RAE、决定系数
拟合:欠拟合(过于差,学到的太少)、过拟合(过于优越,学到的太多)

机器学习类型

监督学习

  1. 原理:输入特征值+目标值,输出连续的值(回归)/离散的值(分类)
  2. 案例:猫狗分类、房价预测
  3. 分类算法:k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
  4. 回归算法:线性回顾、岭回归

非监督学习

  1. 原理:仅输入特征值,观察到的结果(聚类)
  2. 目的:发现潜在结构
  3. 案例:物以类聚
  4. 聚类:K-means

半监督学习

  1. 输入部分① 特征值+目标值;部分②特征值
  2. 应用:训练数据量过多的情况
  3. 监督学习不满足需求时,增强效果;

强化学习

  1. 决策流程及激励系统:4要素(Agent、action、environment、observation),输入动态变化,上一步的输出是下一步的输入,根据奖惩机制调整决策;
  2. 目的:长期利益最大化,回报函数(只会提示你是否在朝着方向前进的延迟反应)
  3. 案例:学下棋
  4. 算法:马尔科夫决策、动态规划

十大常用算法

机器学习案例

文章来源:https://blog.csdn.net/Julialove102123/article/details/135095379
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。