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
以我的专栏笔记为主线（基本涵盖了下面的资料），李宏毅老师的课程过一遍，其他为辅助资料查漏补缺；
- 李航《统计学习方法》：机器学习数学基础补齐
- 机器学习算法：ShowMeAI
- 吴恩达的《Machine Learning》 ：以PPT为主
- 《李宏毅机器学习2023》：以课程为主
- 书籍 - 周志华的《机器学习》-西瓜书 ：知识补齐用
- 书籍 - Peter Harrington的《机器学习实战》
- 机器学习入门强推的B站课程
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
- 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)
- 数据基本处理：缺失值、异常值处理等
- 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
- 机器学习（模型训练/学习）：监督、无监督、半监督、强化
- 模型评估
分类模型评估：错误率（Error Rate）、精确率（Accuracy）、查准率（Precision）、查全率（Recall）、F1、ROC曲线、AUC曲线和R平方等
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）
- 样本预测
机器学习类型
监督学习：
- 原理：输入特征值+目标值，输出连续的值（回归）/离散的值（分类）
- 案例：猫狗分类、房价预测
- 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
- 回归算法：线性回顾、岭回归
非监督学习：
- 原理：仅输入特征值，观察到的结果（聚类）
- 目的：发现潜在结构
- 案例：物以类聚
- 聚类：K-means
半监督学习：
- 输入部分① 特征值+目标值；部分②特征值
- 应用：训练数据量过多的情况
- 监督学习不满足需求时，增强效果；
强化学习：
- 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；
- 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）
- 案例：学下棋
- 算法：马尔科夫决策、动态规划
十大常用算法
-
KNN算法及其应用
-
逻辑回归算法详解
-
朴素贝叶斯算法详解
-
决策树模型详解
-
随机森林分类模型详解
-
回归树模型详解
-
GBDT模型详解
-
XGBoost模型详解
-
LightGBM模型详解
-
支持向量机模型详解
-
聚类算法详解
-
降维算法详解
机器学习环境安装与使用
- 库的使用：常用的numpy、pandas、matplotlib、jupyter、tables等 （这一部分我的专栏【Python模块】专门有讲这些库的用法，安装方式上网一找一大堆），其中numpy、pandas以及matplotlib在上周Python的复习过程中已经涉及到了！见【第三周：Python能力复盘】
- 工具使用：Anaconda、Jupyter notebook、Markdown（哈哈，CSDN我就是那markdown编辑的，现成的技能😁）
机器学习案例
- Azure机器学习实验搭建：https://www.codenong.com/cs106570915/