机器学习概述。
机器学习(MachineLearningwood)是使用计算机来突出数据背后的真实含义，以将无序数据转换成有用的信息。 它是一个多领域的交叉学科，涉及许多学科，如概率论、统计理论、凸分析、算法复杂性等。 专门研究计算机如何模拟或实现人类的学习行为，以获得新的知识或技能来重新组织现有的知识结构，以提高其性能。 它是人工智能的核心，它是使用计算机智能的根本途径。它在人工智能的所有领域都有应用。它主要是综合的，而不是解释的。
大量的数据。
获取有用的信息。
机器研究的重要性。
机器学习是人工智能的主要研究对象，尤其是如何在经验学习中提高特定算法的性能。 机器学习是对能够通过经验自动改进的计算机算法的研究。 机器学习是利用数据或以前的经验来优化计算机程序的性能标准。 定期引用的英语定义之一是。 AcomputerProgramissaidtolenfromexperience
机器学习被广泛使用，例如。 数据挖掘，计算机视觉自然语言处理，生物特征识别，搜索引擎，医学诊断，测试信用卡诈骗，证券市场分析，DNA序列测序，语音和手写测序。
机器学习场景。
例如，识别动物猫。
模型识别(官方标准)：人们从许多经验中得出结论，即猫。
机器学习(数据学习)：通过阅读，人们可以学会观察到它可以称为小眼睛、两只耳朵、四条尾巴和一条尾巴，从而得出结论，它是一只猫。
深入研究(深入数据)：人们发现它的名字与同类猫非常相似。 深入学习的共同领域：语音识别图像识别。
模式识别(模式识别)：模式识别是最古老的-作为一个术语，它可以说是非常过时的。
我们把环境和对象称为模型识别。我们如何使电脑程序看起来聪明。
在融入智慧和直觉之后，通过建立一个程序来识别一些事物，而不是人，例如：识别数字。
机器学习(Machineling)：机器学习是当前初创企业和研究实验室的热点之一。
20世纪90年代初，人们开始意识到一种更有效地构建模式识别算法的方法. 也就是说，使用数据(可以通过廉价的劳动力收集)取代专家(具有大量图像知识的人)。
机器研究强调，在输入计算机程序(或者机器)数据后，必须做一些事情，即学习这些数据，这一步骤是明确的。
机器学习(MachineLearning)是一项专门的研究，研究如何模拟或实现人类的学习行为，以获得新的知识或技能。 重新组织现有的知识结构，使其继续提高其性能。
深入学习(深入学习)：深入学习是一个非常新鲜和有影响力的尖端领域。我们甚至不去想它。
深入学习是机器研究的一个新领域。它的动机是建立一个神经网络来模拟人脑分析和学习。它模仿人脑机制来解释数据，如图像。 声音和文字。
参考地址。
深入研究VS机器学习VS模式识别。
深入研究百科全书信息。
机器研究在许多领域得到了广泛的应用，远远超出了大多数人的想象。
搜索引擎：根据您的搜索点击来优化您的下一次搜索Ngongwoo机器学习，以帮助搜索引擎确定哪个结果更适合您(也确定哪个广告更适合您)。
垃圾邮件：自动过滤垃圾广告电子邮件到垃圾桶。
超市优惠券：你会发现，当你买孩子的尿布时，推销员会给你一张可以换六罐啤酒的优惠券。
邮局邮件：手写软件自动识别发送卡的地址.
申请贷款：根据您最近的财务活动资料，综合评估您是否合格。
机器学习的组成。
主要任务是。
分类（Classification）：将实例数据划分为正确类别。
例如：判断网站是否被黑客入侵(2)手写数字的自动识别(多分类)。
返回：主要用于预测值数据。
实例：股票价格波动预测房价预测等..
监督学习(超级体内学习)。
为了找到特征与目标变量之间的关系，必须确定目标变量的值。 在监督研究中给出了一组数据，我们知道正确的输出应该是什么，并且知道在输入和输出之间存在特定的关系。 (包括：分类和返回)。
样品集：培训数据测试数据。
培训样本=特征(Feature)、目标变量(Label)、分离值/返回-连续值。
这些特征通常由培训样本组列出，并且由自主测量。
目标变量：目标变量是机器学习预测算法的结果。
在分类算法中，目标变量的类型通常是标称类型(如：真伪)，而回归算法通常是连续类型(如：1≤100)。
监督和学习应注意的问题。
偏差权衡。
函数的复杂性和数量的培训数据。
输入空间的尺寸。
噪声中的输出值。
知识表达。
你可以使用规则集的形式，例如：数学分数超过90分。
例如，90%的学生通过统计分布发现，90%的学生的数学成绩低于70分，超过70分。
我们可以使用培训样本集中的一个例子，例如：通过样本集合，我们可以训练一个例子来获得年轻的数学成绩。 我们觉得很好。
非监督学习(不监督学习)。
在机器学习中没有监督的问题是在没有标签的数据中找到隐藏的结构。 因为学习者的例子没有标记，所以没有错误或奖励信号来评估潜在的解决方案。
非监督学习是一个与统计数据密度估计密切相关的问题. 然而，没有监督研究也包括寻求总结和解释数据的主要特点和许多其他技术。 许多不受监督的方法是基于处理数据的数据挖掘方法。
没有类别的信息或目标值。
非监督学习的类型。
集合：在非监督学习中将数据集成到类似的对象中，称为集合。
密度估计：样品分布的密度与集群的相似性是一致的。
此外，非监督研究还可以减少数据特性的维度，使我们可以使用二维或三维图形来更直观地显示数据信息。
加强学习。
该算法可以通过培训程序作出决定。 在某些情况下，程序试图记录不同行动的结果，并试图找出最好的尝试来做决定。 Marcov决策过程属于这种算法。
培训过程。
算法摘要。
机器是用来学习和使用的。
选择算法所需的两个问题。
算法场景。
预测明天下雨，因为你可以预测历史天气，所以选择监督学习算法。
给一群陌生人分组，但我们没有这些人的类别信息，所以我们选择不受监督的学习算法来处理他们的身高和体重。
需要收集或分析的数据是什么？
例如。
机器学习和发展过程。
收集数据：收集样品数据。
准备数据：注意数据格式。
分析数据：确保在数据集中时没有JUNK数据。
如果算法可以处理的数据格式或可信的数据源可以跳过该步骤。
此外，该步骤还需要手动干预来降低自动化系统的价值。
培训算法：如果您使用非监督学习算法，您可以跳过该步骤，因为没有目标变量值。
测试算法：评估算法的效果。
使用算法：将机器学习算法转化为应用程序。
机器研究数学的基础。
微积分。
统计/概率理论。
线性代码。
机器研究工具。
Python语言。
可以实施假代码。
Python更受欢迎：使用广泛的代码范例来丰富模块库的开发周期。
Python语言的特点：清晰、简洁、易于理解。
Python语言的缺点是唯一的缺点是性能问题。
Python相关图书馆..
科学函数库：SciPyNumPy(底层语言)：C和Fortran。
绘图工具库：Matplotlib..
数据分析库熊猫。
数学工具。
马特拉布。
附件：机器学习专业术语。
模型（模型）：计算机级别的认知。
学习算法(从数据中产生模型)。
数据集(数据集)：一组记录集。
示例(Instance)：对象的描述。
样品（Ample）：也称为示例。
属性(Attribute)：对象的某些性能或特征。
特征(Feature)：相同的属性。
属性值(属性值)：属性值。
属性空间（属性空间）：属性张承的空间。
样品空间/输入空间：相同的属性空间。
特征向量(Featurevector)：在属性空间的每一点上，相应的坐标向量称为特征向量。
维数（维数）：描述样本参数（即空间为几维）。
学习/训练/训练：从数据中学习模型。
培训数据（Traingdata）：在培训过程中使用的数据。
训练样本（训练样本）：训练所用的每个样本。
培训集：培训样品的集合。
假设：学习模型与数据的潜在规则相对应。
真理：真正的潜在规则。
学习器（learner）：模型的另一个名称是给定数据和参数空间的学习算法。
预测(预测)：判断某事的属性。
标记(Label)：例如，我是个好人。
例子（example）：有标记的例子。
标记空间/输出空间：所有标记的集合。
分类（classification）：预测是离散值，例如将人分为好人和坏人。
返回<Regression>：预测值为连续值，如您的好人达到0.90.6等。
第二类：只涉及两类分类任务。
正规类型（一个在第二类中）。
分类(Negativeclas)：第二类中的另一类。
多分类(多分类)：涉及多种分类。
测试（testing）：学习模型后预测样本的过程。
测试样本（测试样本）：预测样本。
收集类别（Clustering）：将培训集中的对象分为几组。
丛林：每个群体都叫群。
监督学习(超级体育教学)：模型、分类和回归。
没有监督学习(Unsupervisedlearning)：模型-集合。
没有例子：新样本还没有受过训练。
泛化能力（泛化）：学习模型适用于新样本的能力。
分布：样品空间的所有样品遵从。
独立和分布(Indentandenticalydistributed)。 每个样本都是从这个分布中独立收集的。
补充机器学习的基础。
数据集的划分。
培训集(Traingset)-学习样本数据集通过匹配一些参数来建立一个主要用于培训模型。 与研究生入学考试前的解决问题相比。
验证集(Validationset)-学习模型调整模型的参数，如在神经网络中选择隐藏单元数。 验证集还用于确定网络结构或控制模型的复杂性。 与研究生入学考试前的模拟考试相比。
测试集(Testset)-测试培训模型的分辨率。 与研究生入学考试相比较。 这一次真的是一次考试。
模仿的程度。
模型没有很好地捕获数据特性，不能很好地结合数据来学习样品的一般性质。 在我知道我什么都不知道之前，我什么也不知道。
超拟合作(超额定义)：模型学习训练样本太好了。它可能会使一些训练样本本身的特性成为所有潜在样品的一般性质。 导致扩散能力下降。 与课后问题相比，所有的课后问题都是正确的超级问题，同时也认为考试必须进入考场或什么都不会。
一般来说，你可以用一句话来说，你是如此天真。 你想的太多了。 。
普通的模型指标。
正确比率-提取的正确信息条数/提取的信息条数。
召回率-提取的正确信息栏/样品中的信息栏数。
F值-召回率*2≤(正确召回率)(F=正确率和召回率的和平均值。
例如下面。
例如，在一个池塘里有1400条鲤鱼、300只虾和300只海龟。 现在的目的是捕捉鲤鱼。 一张网抓到了700条鲤鱼、200只虾和100只海龟。 然后，这些指标如下。 正确率为700≤(700)、200)、100)、70%、700%。
模型。
直截了当地说，分类问题是将一些未知类别的数据分类为已知类别。 例如，根据你的一些信息，你是富有的还是可怜的。 判断分类效果的三个指标是上述三个指标：正确召回率F值。
返回问题_预测和建模连续随机变量的监控学习算法。 返回通常通过计算误差（Error）来确定模型的准确性。
聚集是一种不受监督和学习的任务。该算法基于数据的内部结构，以找到观察样品的自然群体（即集群）。 聚合问题的标准通常是以距离为基础的。 簇内距离(包括簇内距离)和簇间距(簇间距) 群体之间的距离越小越好，群体中的元素越相似，群体之间的距离越大，群体之间的距离越好，群体之间的距离就越好。 一般来说，聚类问题将给出簇内距离和簇间距的公式。
下面的图片可以更直观地显示。
这个项目的一些小东西。
特征选择，也称为特征子集选择（FSSFSSFatureSubsetSelection）。 它是指从现有的M功能(Feature)中选择N个功能，以优化系统的具体指标。 它是提高算法性能的重要手段，也是模型识别中的关键数据预处理步骤。
特征提取-特征提取是计算机视觉和图像处理的概念。 它指的是使用计算机提取图像信息来确定每个图像的点是否属于图像特征。 特征提取的结果是将图像点划分为不同的子集，这些子集通常属于孤立点、连续曲线或连续区域。
下面是一个特别项目的地图。
其他人。
通俗的学习率可以理解为一个长的步骤，很容易错过最好的结果。 正是因为我迈出了很大的一步，我才走过了。 这一步很小，但我必须走很多步骤，这使得训练既费时又费力。
一个很好的知识点链接：HTPS：//Zhuanlan.HU.COM/P/2519792。