一、
1.什么是机器学习：
机器学习是从人工智能中产生的一个重要学科分支，是实现智能化的关键。
2.机器学习是一门多淋浴交叉学科，设计概率论、统计学、逼近学、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，已获得新知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
3.机器学习的一般过程：
训练数据----------->f(x)----------->未知测试数据（泛华问题）
4.模型--------->策略（损失函数选择，模型选择）--------->算法（在假设空间,确定参数，最优化）
二、
1.发展历程：
推理期、知识期、学科形成、繁荣期。
2.机器学习方法：
有监督学习：从给定的有标注的训练数据集中学习初几个函数（模型参数），当新的数据到来时可以根据这个函数预测结果。常见任务包括分类与回归。
分类：输出是类别标签
回归：输出是实数
3.无监督学习：没有标注的训练数据集，需要根据样本间的统计规律对样本集进行分析，常见任务如聚类等。
4.半监督学习：结合少量的标注训练数据和大量的未标注数据进行数据的分类学习
两个基本假设：
聚类假设：处在相同聚类中的样示例有较大的的可能拥有相同的标记。
流行假设：处于一个很小的局部区域内的样本示例具有相似的性质，因此，其标记也应该相似
5.增强学习：外部环境对输出只给出评价信息而非正确答案，学习及通过强化受奖励的动作来改善自身的性能。
6.多任务学习：把多个相关的任务放在一起学习同时学习。
三、
1.机器学习面临的难题与挑战
数据稀疏性：训练一个模型，需要大量的标注数据，但是数据往往比较稀疏。
高数量和高质量的标注数据需求：获取标定数据需要耗费大量的人力和财力，而且，人会出错，有主观性。
冷启动问题：对于一个新产品，在初期，要面临数据不足的冷启动问题。
泛华能力问题：训练数据不能全面、均衡的代表真实数据。
模型抽象困难：总结归纳实际问题中的数学表示非常困难。
模型评估困难：在很多实际问题中，很难形式化的、定量的评估一个模型结果的好坏。
寻找最优解困难：要解决的实际问题非常复杂，将其形式转化后的目标函数也非常复杂，往往在目前还不存在一个有效的算法能找到目标函数的最友值。
四、
1.数据预处理（数据清洗、数据集成、数据采样）
数据清洗：对各种脏数据进行对应方式的处理，得到标准、干净、连续的数据，提供给数据统计、数据挖掘等使用。
数据采样：
数据集拆分：
2.特征工程（特征选择、特征降维、特征编码、规范化）
五、
1.机器学习方法：
2.分类问题：分类问题是监督学习的一个核心的问题，他从数据中学习一个分类决策函数或分类模型，对新的输入进行输出预测，输出变量有限个离散值。（二分类、多分类）
2.1核心算法：决策树、贝叶斯、SVM、逻辑回归
2.1.1决策树：
决策树剪枝：预剪枝、后期剪枝方法
理想决策树有三种：叶子节点数最少、叶子节点深度最小、叶子节点数最少且叶子节点深度最小
2.1.2贝叶斯分类：
2.1.3
2.1.4
3.回归问题：
4.聚类问题：
5.其他问题：
6.机器学习模型评估：
感谢百度云提供的免费学习机会呀！
来源：CSDN
作者：qq,1909832004
链接：https://blog.csdn.net/weixin_43370373/article/details/104339279