机器学习（一） -- 概述

自然语言处理（Natural Language Processing, NLP）：文本分类（Text Classification）、语言模型（Language Modeling）、机器翻译（Machine Translation）、问答系统（Question Answering）、语音识别（Speech Recognition）等。

统计学习（Statistical Learning，SL）：支持向量机SVM、核方法等。

等......

三、***机器学习的流派

四、机器学习的系统定义与通俗理解

1、系统定义

假设用P来评估计算机程序在某任务类T上的性能，若一个程序通过利用经验E在T中任务上获得了性能改善，则我们就说关于T和P，该程序对E进行了学习

-- 西瓜书

机器学习 = 任务 + 方法 + 经验 + 性能

任务-T：机器学习要解决的问题任务是机器学习的研究对象；

方法-A: 各种机器学习方法方法是机器学习的核心内容；

经验-E：训练模型的数据，实例经验是机器学习的动力源泉；

性能-P：方法针对任务的性能评估准则性能是机器学习的检验指标。

2、通俗理解

机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。（类比人类）

从数据中自动分析获得模型，并利用模型对未知数据进行预测。

流程：有了历史数据 --> 通过学习算法（训练） --> 得到模型 --> 用新数据进行预测

目的：机器学习=找一个函数（模型=函数）机器学习**=任务+方法+经验+**性

五、机器学习的基本术语

按照流程介绍不同术语。

-- 以下内容从【西瓜书】概括而得

1、有了数据

数据集（D，data set）：100个西瓜构成一个数据集。

样本（sample，示例，instance）：100个西瓜中的每一个西瓜，就是一个样本。

属性（attribute，特征，feature）：西瓜的色泽，根蒂，敲声。

属性值（attribute value）：西瓜的色泽为青绿色，青绿即为属性值。

样本空间（sample space，属性空间，attribute space、输入空间）（X)：属性张成的空间。"色泽"，"根蒂"，"敲声"作为三个坐标轴，则他们张成一个描述西瓜的三维空间

特征向量（feature vector）：颜色、大小、敲起来的振幅。一个维度（dimensionality）

2、通过学习算法

2.1、学习（learning，训练，training）

训练数据（training data）

训练样本（training sample，训练示例，training instance、训练例）

训练集（training set）

假设（hypothesis）：学得模型对应关于数据的某种潜在的规律（比如敲声清脆的可能是好瓜）。

真相（真实，ground-truth）：潜在规律本身（比如敲声清脆的一定是好瓜）。

学习器（learner，模型，model）：得到的模型。

2.2、样本结果信息

标记（label）：（（色泽=青绿；根蒂=蜷缩；敲声=浊响），好瓜），"好瓜"称为"标记"。

样例（example）：拥有标记信息的示例称为样例

用（xi，yi）表示第i个样例，其中yi属于Y，是示例xi的标记。
标记空间（label space、输出空间）：Y是所有标记的集合。

3、得到模型

有分类、回归、聚类等，具体后面【机器学习的分类】详讲。

4、进行预测

4.1、测试（testing）：

测试样本（testing sample，测试示例，testing instance、测试例）

4.2、测试能力：

4.3、测试（testing）：

泛化（generalization）能力：适应新样本（未见示例，unseen instance）的能力

-- 独立同分布：假设样本空间中全体样本服从一个未知"分布"（distribution）D，我们获得的每一个样本都是独立地从这个分布上采样获得的，即"独立同分布"（independent and identically distributed，简称，i.i.d.）

5、数据集构成简单理解

结构：特征值（房子面积，房子位置、房子楼层）+目标值（这里是价格）

对于每一行数据我们可以称为样本

有些数据集可以没有目标值，如下

六、机器学习的分类

1、监督学习（Supervised Learning，有导师学习）

从有标记数据中学习模型

1.1、分类（classification） -- 离散

1.1.1、二分类（binary classification）

正类（positive class）、反类（negative class，负类）

Y={-1，+1}/{0,1} （Y被分成-1，1，或者0，1）

eg：识别猫和狗。

1.1.2、多分类（multi-class classification）

|Y|>2

eg：数字识别

1.2、回归（regression） -- 连续

预测的是连续值，

Y=R(实数集)

eg：房屋价格预测：

2、无监督学习(Unsupervised Learning，无导师学习）

从无标记数据中学习模型

2.1、聚类

分为若干组，每个组称为一个"簇"（cluster）

eg：

2.2、降维

在原始的高维空间中，包含冗余信息和噪声信息，会在实际应用中引入误差，影响准确率；而降维可以提取数据内部的本质结构，减少冗余信息和噪声信息造成的误差，提高应用中的精度。

还有异常检测等......

3、半监督学习（Semi-Supervised Learning）

半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。当使用半监督学习时，将会要求尽量少的人员来从事工作，同时，又能够带来比较高的准确性，因此，半监督学习正越来越受到人们的重视。

-- 百度百科

4、强化学习（Reinforcement Learning）

实质是自主决策问题，即自动进行决策，并且可以做连续决策。

以"试错"的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏。

七、机器学习的算法

有的人总想先知道机器学习的算法有哪些（比如我QwQ）

1、监督学习

1.1、线性回归（Linear Regression）

1.2、逻辑回归（Logistic Regression）

1.3、决策树（Decision Trees）

1.3.1、随机森林（Random Forests）

1.4、深度学习（Deep Learning）算法，如神经网络（Neural Networks）

卷积神经网络(CNN)、循环神经网络(RNN)和生成对抗网络(GAN)

1.5、支持向量机（Support Vector Machines）

1.6、朴素贝叶斯（Naive Bayes）

1.7、K近邻算法（K-Nearest Neighbors）

2、无监督学习

2.1、聚类算法

将数据样本划分为不同的组或簇，使得同一组内的样本相似度高，不同组之间的相似度较低。

2.1.1、K均值聚类（K-Means Clustering）

2.1.2、层次聚类（Hierarchical Clustering）

2.1.3、DBSCAN

2.2、降维算法

将高维数据映射到低维空间，保留数据的主要信息，同时减少数据的维度。

2.2.1、主成分分析（Principal Component Analysis，PCA）

2.2.2、线性判别分析（LDA）

2.2.3、t-SNE

2.3、关联规则挖掘，关联规则学习（Association Rule Learning）

从数据集中发现频繁出现的项集或关联规则，用于发现数据项之间的关联性。

2.3.1、Apriori

2.3.2、FP-growth

2.4、异常检测

检测数据中的异常或离群点，这些数据与正常数据的行为模式不符。

2.4.1、基于统计的方法

2.4.2、基于聚类的方法

2.4.3、基于密度的方法

2.5、高斯混合模型（Gaussian Mixture Models）

暂时先放这吧！

3、半监督学习

标签传播算法、半监督支持向量机和深度置信网络等

4、强化学习

Q-learning、SARSA、策略梯度和深度强化学习

5、集成学习（多学习器组合）

5.1、随机森林（Random Forests）

5.2、梯度提升树

5.1、AdaBoost

八、机器学习的流程

机器学习的数据集划分一般分为两个部分：

训练数据：用于训练，构建模型。一般占70%-80%（数据量越大，取得比例最好越大）

测试数据：用于模型评估，检验模型是否有效。一般占20%-30%