什么是机器学习
1.1 机器学习的本质
1.2机器学习VS 专家规则
1.3. 机器学习基本原理
1.4. 机器学习的类别
1.1. 本质
根据历史看到的样本，总结规律。
1.2. 机器学习 VS 专家规则
机器学习VS 专家规则
| 机器学习 |
专家规则 |
说明 |
|
| 样本 |
全量样本 |
抽样样本 （优点：最少数据获得最多信息 |
|
| 规律 |
海量规则 （特征更多，规律更精细） |
几百条规则 |
规则： 特征的多少决定了分类的个数 |
| 总结 |
机器总结 (能够看海量样本，总结海量规则的核心原因) |
专家总结 |
|
| 收纳尽可能多的数据，挖掘长尾价值 |
选取最有效的数据，发挥头部价值 |
1.3. 机器学习基本原理
定义一个损失函数（错误率），尝试所有的划分方法，取损失函数最小的划分方法。
举例说明：Linear Regression（单变量线性回归）
| 步骤 |
函数 |
含义 |
公式 |
说明 |
| 1 |
假设函数 |
模型 |
|
x是特征 |
| 2 |
损失函数 |
衡量预测值和真实值的差距 |
|
求解θ0，θ1， |
| 3 |
梯度下降法 |
找到损失函数的局部极小值点
|
实际问题
| 问题 |
解决方法 |
| 穷举划分方法，导致计算量太大 |
Mini batch |
| 过拟合 |
正则惩罚 |
1.4. 机器学习的类别
图片来自于：https://morvanzhou.github.io/tutorials/machine-learning/sklearn/
如上图所示，机器学习的类别，可以划分为几部分。
| 特点 |
类别 |
举例 |
||
| 机器学习 |
监督学习 |
有标签（Label） |
分类（Classification） |
预测明天会不会下雨 |
| 回归（Regression） |
通过房屋面积预测房价 |
|||
| 无监督学习 |
无标签（Label） |
聚类（Clustering） |
已知学生出勤率和作业质量，为学生聚类 得到结果，把学生分类几类 |
|
| 降维（Dimensionality Reduction） |
||||
| 强化学习 |
计算机在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的行为。 |
简单监督神经网络: 快棋手 复杂监督神经网络: 慢棋手 强化学习神经网络：左右互博，最大化最后的奖励 |