什么是机器学习

什么是机器学习？

机器学习就是让计算机具有像人一样的学习能力的技术，是从大数据中寻找有用信息的数据挖掘技术，进而去支持决策。



人类学习的过程：观察过去发生的大量事实--归纳总结并大胆作出假设--验证假设并得到规律，也就是我们常说的经验，在遇到新的问题根据经验将问题代入规律中进而预测未来。

机器学习的过程：收集与问题大量相关的历史数据--借助科学计算的方法挖掘数据中特征之间的关联关系--得到代表特征关系的模型，而后在遇到新的问题时，只需要将相关的数据输入模型即可预测未知的属性。



在正式开始之前，先理解一些基本的概念将会让后续对机器学习的学习更加轻松。

数据集：收集到的用于训练和验证模型的数据的集合称之数据集。示例/样本/特征向量：数据集中描述一个事件或对象的每一条记录。属性/特征：反映事件或对象在某方面的表现或性质的事项。属性值：属性上的取值。属性空间/样本空间/输入空间：属性张开的空间。如由三个特征分别为xyz轴可组成一个三维空间，每个样本都可以在这个空间中找到自己的位置。学习/训练：算法从历史数据中学习的过程。训练数据：训练过程中使用的数据。训练样本：训练数据中的样本。label：训练样本的结果信息。如根据已有的身高、体重、肺活量、性别等数据训练一个模型，根据其他特征来预测样本的性别，这里的性别就是label。

机器学习的种类

有监督学习：训练数据中有label的学习。

无监督学习：训练数据中无label的学习。

强化学习/增强学习：与有监督学习类似，也是使机器获得对没有学习过的问题的泛化能力，但学习过程中并没有label，但算法会对训练结果进行自我评估，进而不断的进行学习。

常用的机器学习方法




机器学习建模流程

机器学习是一种数据挖掘的技术，而对机器学习建模的整个过程总结最全面的要属"跨行业标准的数据挖掘流程"。主要过程为：商业理解--数据理解--数据准备--数据建模--模型评估--模型发布。



1.商业理解

从商业角度全面了解项目需求和主要目标，并将需求和目标转化为数据挖掘中的定义和目标。主要事项有确定商业目标，评估环境，确定数据挖掘目标，制定项目计划。

2.数据理解

对数据的可用性进行评估，发现有用的数据和数据的潜在价值。主要事项有收集原始数据，描述数据，探索数据，检验数据质量。

3.数据准备

将原始数据处理成最终建模需要的数据。该过程可能需要多次执行，是非常重要且耗时的一步。主要事项有特征选择、数据清洗、数据预处理、数据转化、特征工程等。

4.数据建模

使用机器学习模型进行建模，并对参数进行调优。主要事项有选择建模技术、生成测试设计、构建模型、评估模型。

5.模型评估

通过训练得到了高质量的模型，在正式部署前要对模型做全面的评估。目的主要是判断模型是否达到了既定的商业目标，是否有改进空间。

6.部署

建模结束之后便是把模型部署应用起来，并对后续的监控和维护做出规划。



以上主要从宏观的角度对机器学习做了简单的介绍，在了解了这些基础的知识后，我们就可以对学习数据挖掘和机器学习建模做出整体的规划了。

转发了

赞赞赞赞赞赞赞赞

赞一个！

我是个凑数的。。。