机器学习概述

1）贴上Python环境及pip list截图，了解一下大家的准备情况。暂不具备开发条件的请说明原因及打算。

Python环境

 

pip list截图

 

基本库，如numpy、pandas、scipy、matplot

 

2）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。

机器学习可以解决给定数据的预测问题，如数据清洗或特征选择，确定算法模型或参数优化，以及结果预测。

机器学习不能解决大数据存储或并行计算，不能做一个机器人。

举例:

机器学习:“盯住2号位， 她很容易起快球”。

传统算法:排球规则。

 

 

 

 

导数：简单的说，导数就是曲线的斜率，是曲线变化快慢的反应。二阶导数是斜率变化快慢的反应，表征曲线凸凹性。二阶导数连续的曲线，往往称之为“ 光顺”的。还记得高中物理老师时常念叨的：加速度的方向总是指向轨迹曲线凹的一侧。

根据 可以得到函数f(x)=lnx的导数，进一步根据换底公式、反函数求导等，得到其他初等函数的导数。

 

积分应用2: N→∞→InN!→N(InN-1)

 

 

Taylor公式- Maclaurin公式：

 

 

 

Taylor公式的应用1：

数值计算:初等函数值的计算(在原点展开)

 

在实践中，往往需要做一定程度的变换。

 

Taylor公式的应用2

考察Gini系数的图像、熵、分类误差率三者之间的关系

将f(x)=-Inx在x=l处一阶展开，忽略高阶无穷小，得到f(x)≈1-x

 

 

方向导数：

如果函数z= =f(x,y)在点P(x,y)是可微分的，那么，函数在该点沿任一方向L的方向导数都存在，且有:

 

其中，ψ为x辅到方向L的转角。

 

3）什么是机器学习，有哪些分类？结合案例，写出你的理解。

 

1.什么是机器学习？

对于某给定的任务T，在合理的性能度量方案P的前提下，某计算机程序可以自主学习任务T的经验E;随着提供合适、优质、大量的经验E，该程序对于任务T的性能逐步提高。

这里最重要的是机器学习的对象:

①任务Task,T，一个或者多个

②经验Experience,E

③性能Performance,P

即:随着任务的不断执行，经验的累积会带来计算机性能的提升。

Tom Michael Mitchell, 1997

 

换个表述

 

机器学习是人工智能的一个分支。我们使用计算机设计一个系统，使它能够根据提供的训练数据按照一定的方式来学习;随着训练次数的增加，该系统可以在性能上不断学习和改进;通过参数优化的学习模型，能够用于预测相关问题的输出。

 

2.机器学习有哪些分类？

目前机器学习主流分为监督学习、无监督学习、增强学习。

监督学习：

监督学习可分为“回归”和“分类”问题。

在回归问题中，我们会预测一个连续值。也就是说我们试图将输入变量和输出用一个连续函数对应起来；而在分类问题中，我们会预测一个离散值，我们试图将输入变量与离散的类别对应起来。

每个数据点都会获得标注，如类别标签或与数值相关的标签。一个类别标签的例子：将图片分类为「苹果」或「橘子」；数值标签的例子如：预测一套二手房的售价。监督学习的目的是通过学习许多有标签的样本，然后对新的数据做出预测。例如，准确识别新照片上的水果（分类）或者预测二手房的售价（回归）。

无监督学习：

在无监督学习中，我们基本上不知道结果会是什么样子，但我们可以通过聚类的方式从数据中提取一个特殊的结构。

在无监督学习中给定的数据是和监督学习中给定的数据是不一样的。数据点没有相关的标签。相反，无监督学习算法的目标是以某种方式组织数据，然后找出数据中存在的内在结构。这包括将数据进行聚类，或者找到更简单的方式处理复杂数据，使复杂数据看起来更简单。

例如，对于收集到的论文，根据每个论文的特征量如词频，句子长，页数等进行分组。

强化学习：

Alphago用的就是强化学习，强化学习是一种学习模型，它并不会直接给你解决方案——你要通过试错去找到解决方案。

强化学习不需要标签，你选择的行动（move）越好，得到的反馈越多，所以你能通过执行这些行动看是输是赢来学习下围棋，不需要有人告诉你什么是好的行动什么是坏的行动。