机器学习（概述）

1.说明有监督学习和无监督学习的各自的特点及区别

• 监督学习

• 有标签

• 分类：标签值离散

• 回归：标签值连续

• ​ 无监督学习

• 无标签，按照样本的相似性进行聚合

• 半监督学习

• 部分有标签，部分无标签

• 强化学习

2.说明下机器学习的建模流程

• 获取数据

• 数据基本处理

• 特征工程

• 模型训练

• 模型评估

3.谈一下你对特征工程的理解

​ 用专业背景知识和技巧处理数据，让机器学习算法效果最好

• 特征提取

• 特征预处理

• 特征降维

• 特征选择

• 特征组合

4.说下模型拟合问题及产生的原因

• 欠拟合:训练集上表现很差、在测试集表现也很差

• 原因：模型过于简单

• 过拟合:训练集上表现很好、在测试集表现很差

• 原因：模型太过于复杂

人工智能（AL）

• Artificial Intelligence 人工智能

• AI is the field that studies the synthesis and analysis of computational agents that act intelligently

• AI is to use computers to analog and instead of human brain

• 释义 - 仿智； 像人一样机器智能的综合与分析；机器模拟人类

机器学习（ML）

• Machine Learning 释义：机器学习

• Field of study that gives computers the ability to learn without being explicitly programmed

• 释义：让机器自动学习，而不是基于规则的编程（不依赖特定规则编程）

深度学习（DL）

深度学习(DL, Deep Learning) : ，也叫深度神经网络，大脑仿生，设计一层一层的神经元模拟万事万物

机器学习发展三要素

• 数据、算法、算力三要素相互作用，是AI发展的基石

1. CPU：负责调度任务、计算任务等；主要适合I\O密集型的任务

2. GPU：更加适合矩阵运算；主要适合计算密集型任务

3. TPU：Tensor，专门针对神经网络训练设计一款处理器

样本(sample) ：一行数据就是一个样本；多个样本组成数据集；有时一条样本被叫成一条记录

特征(feature) ：一列数据一个特征，有时也被称为属性

标签/目标(label/target) ：模型要预测的那一列数据。

数据集可划分两部分：训练集、测试集 比例：8 : 2，7 : 3

训练集(training set) ：用来训练模型（model）的数据集

测试集(testing set)：用来测试模型的数据集

有监督学习

• 定义：输入数据是由输入特征值和目标值所组成，即输入的训练数据有标签的

• 数据集：需要人工标注数据

分类

• 目标值（标签值）是不连续的

• 分类种类：二分类、多分类任务、

回归

目标值（标签值）是连续的

无监督学习

• 定义：输入数据没有被标记，即样本数据类别未知，**没有标签**，根据样本间的相似性，对样本集聚类，以发现事物内部 结构及相互关系。

• 数据集：不需要标注数据

**无监督学习特点：**

**1** 训练数据无标签

2 根据样本间的相似性对样本集进行聚类，发现事物内部结构及相互关系

半监督学习

工作原理：

1 让专家标注少量数据，利用已经标记的数据（也就

是带有类标签）训练出一个模型

2 再利用该模型去套用未标记的数据

3 通过询问领域专家分类结果与模型分类结果做对比，

从而对模型做进一步改善和提高

强化学习

1 强化学习（Reinforcement Learning）：机器学习的一个重要分支

2 应用场景：里程碑AlphaGo围棋、各类游戏、对抗比赛、无人驾驶场景

3 基本原理：基本原理：通过构建四个要素：agent，环境状态，行动，奖励，

agent根据环境状态进行行动获得最多的累计奖励。。

特征工程

从数据集角度来看： 一列一列的数据为特征。

从模型训练角度来看： 对预测结果有用的属性为特征

特征工程是：利用专业背景知识和技巧处理数据，让机器学习算法效果最好。这个过程就是特征工程

Coming up with features is difficult, time-consuming, requires expert knowledge. "Applied machine learning" is basically feature engineering. "

释义：特征工程是困难、耗时、需要专业知识。应用机器学习基础就是特征工程

【理解】数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。

特征提取

从原始数据中提取与任务相关的特征，构成特征向量

对于文本、图片这种非行列形式的数据行列形式转换，

一旦转换成行列形式一列就是特征

特征预处理

特征对模型产生影响；因量纲问题，有些特征对模型影响大、有些影响小

将不同的单位的特征数据转换成同一个范围内

使训练数据中不同特征对模型产生较为一致的影响

特征降维

将原始数据的维度降低，叫做特征降维

会丢失部分信息。降维就需要保证数据的主要信息要保留下来

原始数据会发生变化，不需要了解数据本身是什么含义，它保留了最主要的信息

特征选择

原始数据特征很多，但是对任务相关是其中一个特征集合子集。

从特征中选择出一些重要特征（选择就需要根据一些指标来选择）

特征选择不会改变原来的数据

特征组合

把多个的特征合并成一个特征。

通过加法、乘法等方法将特征值合并

欠拟合：模型在训练集上表现很差、在测试集表现也很差

原因：模型过于简单

过拟合：模型在训练集上表现很好、在测试集表现很差

原因：模型太过于复杂、数据不纯、训练数据太少

泛化：模型在新数据集（非训练数据）上的表现好坏的能力

奥卡姆剃刀原则：给定两个具有相同泛化误差的模型，较简单的模型比较复杂的模型更可取