01-机器学习概述

什么是学习

学习的整个过程应该包括输入，处理，输出，反思。比如说，读书，思考，应用到实际，再反思。

学，输入；习，实践。

为什么要学习

人类要生存，每时每刻遇到的问题和发生的事件，都是不确定的，未知的。

无法提前给出所有的问题的解决办法，我们需要学习出来一种解决问题的模型，套用模型就可以解决未知的问题。

通过旧的问题和答案，学习出来规律；

应用规律去解决新的问题，得到新的预测。

预测班车到达时间， 7点30出发 从A--->B, 预测到B地的时间。 第一次乘车，预测不太准， 但是随着你经验的增加，预测的会越来越准。

机器学习

让机器具有自我学习的能力，程序的执行结果跟机器获取的数据量有关，增加新的输入数据，可以生成新的模型，最终程序执行的结果（预测的结果）会发生变化。

机器学习实际上包含很多种数学方法，利用统计学和概率论，信息论等知识，利用已知的数据，创建一种模型，最终利用这种模型进行预测。

机器学习：用大量数据进行训练，获取到一个数据模型，预测就是应用训练的模型，来解决一个未知的问题.

学习方法

试着去理解原理，通过结果，理解数学背后的原理，我们是为了解决实际问题，才使用的数学 避免抽象数学和理论数学。

对于数学公式，用实际案例去理解计算过程（算法工程师，软件工程师）,不畏惧算法，不畏惧论文 不对公式进行数学证明，靠编写程序直接验证

算法工程师，我知道为什么但不知道这么做

软件工程师，我知道这么做但不知道为什么

我们：算法工程师 +软件工程师

机器学习步骤

1. 确定与问题相关的数据（明确输入）
2. 收集与问题相关的数据 （数据准备，学）
3. 分析预测结果的类型 （分类，回归，是判断题还是应用题）
4. 根据预测结果的类型，选择一个合适的算法（套路），找到输入和输出之间的关系
5. 用这个算法（套路）去解决新的问题 （习）

市面上的很多机器学习相关的课程都是从第三个步骤开始的， 其实在实际开发中1,2两个步骤是非常非常重要的

feature和label

自变量和因变量

feature，自变量（输入)

label，因变量（输出）

$label = f（feature）$

$经济损失 = f(地震等级)$

分类和回归

• 分类： classfication， 数据结果往往是离散的

• 根据你的学习努力情况，判断是否能够通过考试

• 根据email的内容，判断是否是垃圾邮件

• 回归：regression ， 数据结果往往是连续的

• 基于车的品牌，年代，型号，预测车的价值（500RMB~500000RMB）
• 基于每天的卡路里摄入量和运动量，预测一周后的体重（48KG～80KG）
• 基于树的直径，预测树的年龄（0~500岁）

机器学习步骤注意事项

1. 输入输出，就是自变量和因变量，对应feature和label
2. 数据集必须是规范，格式统一的，方便计算机程序处理
3. 分类的问题答案是有限个，可以理解成选择题和判断题，回归的问题，答案不能用简单的分类来描述
4. 确定feature和label之间的关系，有无数种的算法，每种算法都有自己的优缺点。
5. 根据预测的情况，我们可能需要重新调整算法和生成的模型