Day01 机器学习概述
学习目标： 机器学习概述并且以自己的学习方式掌握知识
学习最好的方式是组队学习，在交流中成长，Fighting!!!
理论部分
机器学习介绍
机器学习是什么？怎么来的？理论基础是什么？为了解决什么问题？
2016年3月，阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜. 深度学习开始进行大众的视野中. 深度学习其实是机器学习的一个分支,我们今天来看看机器学习是什么. 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。如果让我讲解机器学习，我可能会说一句话：机器学习就是模仿人，它有点像人类的决策过程。
机器学习发展历程
机器学习分类
学习方式划分
| 学习方式 | 描述 |
|---|---|
| 监督式学习（Supervised Learning） | 训练集目标:有标注; 如回归分析，统计分类 |
| 非监督式学习（Unsupervised Learning） | 训练集目标:无标注;如聚类、GAN(生成对抗网络) |
| 半监督式学习（Semi-supervised Leanring） | 介于监督式与无监督式之间 |
| 增强学习（Reinforcement Leanring） | 智能体不断与环境进行交互，通过试错的方式来获得最佳策略 |
学习任务划分
| 学习方式 | 描述 |
|---|---|
| 分类（Classification） | 分类是预测一个标签 （是离散的），属于监督学习 |
| 回归（Regression） | 回归是预测一个数量 （是连续的），属于监督学习 |
| 聚类（Clustering） | 属于无监督学习 |
机器学习方法三要素
模型
策略：损失函数
算法：梯度下降法、牛顿法、拟牛顿法
模型评估指标：R2、RMSE、accuracy、precision、recall、F1、ROC、AUC、Confusion Matrix
复杂度度量：偏差与方差、过拟合与欠拟合、结构风险与经验风险、泛化能力、正则化
模型选择：正则化、交叉验证
采样：样本不均衡
特征处理：归一化、标准化、离散化、one-hot编码
模型调优：网格搜索寻优、随机搜索寻优
常见机器学习算法
1、线性回归
2、逻辑回归
3、分类与回归树分析
4、朴素贝叶斯
5、K 最近邻算法
6、学习矢量量化
7、支持向量机
8、Bagging 和随机森林
9、Boosting 和 AdaBoost
以上只是对理论知识的一个概况，随着不断学习在慢慢将理论知识理解与渗透到实践中去！
学的知识还比较浅，随着时间的推移和不断学习，自己一定会有新的认知！，如果文章有错误，请大家指出！
学习链接：
[1] https://github.com/datawhalechina/team-learning
[2] https://www.zhihu.com/question/33892253/answer/531856031
[3] https://blog.csdn.net/qq_36142114/article/details/80441363
[4] https://baijiahao.baidu.com/s?id=1593022777941849057&wfr=spider&for=pc
来源：CSDN
作者：sunshineone128
链接：https://blog.csdn.net/ljylc128/article/details/103851797