機(jī)器學(xué)習(xí)（科學(xué)計(jì)算庫）完整教程（附代碼資料）主要內(nèi)容講述：機(jī)器學(xué)習(xí)（常用科學(xué)計(jì)算庫的使用）基礎(chǔ)定位、目標(biāo)，機(jī)器學(xué)習(xí)概述定位,目標(biāo),學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo)。機(jī)器學(xué)習(xí)概述，1.3 人工智能主要分支學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 主要分支介紹,2 小結(jié)。機(jī)器學(xué)習(xí)概述，1.5 機(jī)器學(xué)習(xí)算法分類學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 監(jiān)督學(xué)習(xí),2 無監(jiān)督學(xué)習(xí)。機(jī)器學(xué)習(xí)概述，1.7 Azure機(jī)器學(xué)習(xí)模型搭建實(shí)驗(yàn)學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),Azure平臺(tái)簡介,學(xué)習(xí)目標(biāo)。Matplotlib，3.2 基礎(chǔ)繪圖功能 — 以折線圖為例學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 完善原始折線圖 — 給圖形添加輔助功能,2 在一個(gè)坐標(biāo)系中繪制多個(gè)圖像。Matplotlib，3.3 常見圖形繪制學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 常見圖形種類及意義,2 散點(diǎn)圖繪制。Numpy，4.2 N維數(shù)組-ndarray學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 ndarray的屬性,2 ndarray的形狀。Numpy，4.3 基本操作學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 生成數(shù)組的方法,2 數(shù)組的索引、切片。Numpy，4.4 ndarray運(yùn)算學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),問題,1 邏輯運(yùn)算。Numpy，4.6 數(shù)學(xué)：矩陣學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 矩陣和向量,2 加法和標(biāo)量乘法。Pandas，5.1Pandas介紹學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 Pandas介紹,2 為什么使用Pandas。Pandas，5.3 基本數(shù)據(jù)操作學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 索引操作,2 賦值操作。Pandas，5.6 文件讀取與存儲(chǔ)學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 CSV,2 HDF5。Pandas，5.8 高級(jí)處理-數(shù)據(jù)離散化學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 為什么要離散化,2 什么是數(shù)據(jù)的離散化。Pandas，5.12 案例學(xué)習(xí)目標(biāo),學(xué)習(xí)目標(biāo),1 需求,2 實(shí)現(xiàn)。

全套筆記資料代碼移步： 前往gitee倉庫查看

感興趣的小伙伴可以自取哦，歡迎大家點(diǎn)贊轉(zhuǎn)發(fā)~

全套教程部分目錄：

部分文件圖片：

機(jī)器學(xué)習(xí)概述

學(xué)習(xí)目標(biāo)

• 了解人工智能發(fā)展歷程
• 了解機(jī)器學(xué)習(xí)定義以及應(yīng)用場(chǎng)景
• 知道機(jī)器學(xué)習(xí)算法監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)的區(qū)別
• 知道監(jiān)督學(xué)習(xí)中的分類、回歸特點(diǎn)
• 知道機(jī)器學(xué)習(xí)的開發(fā)流程

1.5 機(jī)器學(xué)習(xí)算法分類

學(xué)習(xí)目標(biāo)

• 了解機(jī)器學(xué)習(xí)常用算法的分類

根據(jù)數(shù)據(jù)集組成不同，可以把機(jī)器學(xué)習(xí)算法分為：

• 監(jiān)督學(xué)習(xí)

• 無監(jiān)督學(xué)習(xí)

• 半監(jiān)督學(xué)習(xí)

• 強(qiáng)化學(xué)習(xí)

1 監(jiān)督學(xué)習(xí)

• 定義：

  • 輸入數(shù)據(jù)是由輸入特征值和目標(biāo)值所組成。

    • 函數(shù)的輸出可以是一個(gè)連續(xù)的值(稱為回歸），
    • 或是輸出是有限個(gè)離散值（稱作分類）。

1.1 回歸問題

例如：預(yù)測(cè)房價(jià)，根據(jù)樣本集擬合出一條連續(xù)曲線。

1.2 分類問題

例如：根據(jù)腫瘤特征判斷良性還是惡性，得到的是結(jié)果是“良性”或者“惡性”，是離散的。

2 無監(jiān)督學(xué)習(xí)

• 定義：

  • 輸入數(shù)據(jù)是由輸入特征值組成，沒有目標(biāo)值

    • 輸入數(shù)據(jù)沒有被標(biāo)記，也沒有確定的結(jié)果。樣本數(shù)據(jù)類別未知；
    • 需要根據(jù)樣本間的相似性對(duì)樣本集進(jìn)行類別劃分。

舉例：

?

• 有監(jiān)督，無監(jiān)督算法對(duì)比：

3 半監(jiān)督學(xué)習(xí)

• 定義：

  • 訓(xùn)練集同時(shí)包含有標(biāo)記樣本數(shù)據(jù)和未標(biāo)記樣本數(shù)據(jù)。

舉例：

• 監(jiān)督學(xué)習(xí)訓(xùn)練方式：

• 半監(jiān)督學(xué)習(xí)訓(xùn)練方式

4 強(qiáng)化學(xué)習(xí)

• 定義：

  • 實(shí)質(zhì)是make decisions 問題，即自動(dòng)進(jìn)行決策，并且可以做連續(xù)決策。

舉例：

小孩想要走路，但在這之前，他需要先站起來，站起來之后還要保持平衡，接下來還要先邁出一條腿，是左腿還是右腿，邁出一步后還要邁出下一步。

小孩就是 agent，他試圖通過采取行動(dòng)（即行走）來操縱環(huán)境（行走的表面），并且從一個(gè)狀態(tài)轉(zhuǎn)變到另一個(gè)狀態(tài)（即他走的每一步），當(dāng)他完成任務(wù)的子任務(wù)（即走了幾步）時(shí)，孩子得到獎(jiǎng)勵(lì)（給巧克力吃），并且當(dāng)他不能走路時(shí)，就不會(huì)給巧克力。

主要包含五個(gè)元素：agent, action, reward, environment, observation；

強(qiáng)化學(xué)習(xí)的目標(biāo)就是獲得最多的累計(jì)獎(jiǎng)勵(lì)。

監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的對(duì)比

拓展概念：什么是獨(dú)立同分布：

獨(dú)立同分布概念

拓展閱讀：Alphago進(jìn)化史 漫畫告訴你Zero為什么這么牛：

[

5 小結(jié)

1.6 模型評(píng)估

學(xué)習(xí)目標(biāo)

• 目標(biāo)

  • 了解機(jī)器學(xué)習(xí)中模型評(píng)估的方法
  • 知道過擬合、欠擬合發(fā)生情況

模型評(píng)估是模型開發(fā)過程不可或缺的一部分。它有助于發(fā)現(xiàn)表達(dá)數(shù)據(jù)的最佳模型和所選模型將來工作的性能如何。

按照數(shù)據(jù)集的目標(biāo)值不同，可以把模型評(píng)估分為分類模型評(píng)估和回歸模型評(píng)估。

1 分類模型評(píng)估

• 準(zhǔn)確率

  • 預(yù)測(cè)正確的數(shù)占樣本總數(shù)的比例。

• 其他評(píng)價(jià)指標(biāo)：精確率、召回率、F1-score、AUC指標(biāo)等

2 回歸模型評(píng)估

均方根誤差（Root Mean Squared Error，RMSE）

• RMSE是一個(gè)衡量回歸模型誤差率的常用公式。 不過，它僅能比較誤差是相同單位的模型。

舉例：

假設(shè)上面的房價(jià)預(yù)測(cè)，只有五個(gè)樣本，對(duì)應(yīng)的
真實(shí)值為：100,120,125,230,400
預(yù)測(cè)值為：105,119,120,230,410

那么使用均方根誤差求解得：$RMSE=\sqrt[2]{\frac{\left[\right(100?105{)}^2+(120?119{)}^2+5^2+0^2+10^2]}{5}}=5\mathrm{.}495$^2+(120-119)2+5²⁺⁰2+10^2]}{5}} =5.495

其他評(píng)價(jià)指標(biāo)：相對(duì)平方誤差（Relative Squared Error，RSE）、平均絕對(duì)誤差（Mean Absolute Error，MAE)、相對(duì)絕對(duì)誤差（Relative Absolute Error，RAE)

3 擬合

模型評(píng)估用于評(píng)價(jià)訓(xùn)練好的的模型的表現(xiàn)效果，其表現(xiàn)效果大致可以分為兩類：過擬合、欠擬合。

在訓(xùn)練過程中，你可能會(huì)遇到如下問題：

訓(xùn)練數(shù)據(jù)訓(xùn)練的很好啊，誤差也不大，為什么在測(cè)試集上面有問題呢？

當(dāng)算法在某個(gè)數(shù)據(jù)集當(dāng)中出現(xiàn)這種情況，可能就出現(xiàn)了擬合問題。

3.1 欠擬合

因?yàn)闄C(jī)器學(xué)習(xí)到的天鵝特征太少了，導(dǎo)致區(qū)分標(biāo)準(zhǔn)太粗糙，不能準(zhǔn)確識(shí)別出天鵝。

欠擬合（under-fitting）：模型學(xué)習(xí)的太過粗糙，連訓(xùn)練集中的樣本數(shù)據(jù)特征關(guān)系都沒有學(xué)出來。

3.2 過擬合

機(jī)器已經(jīng)基本能區(qū)別天鵝和其他動(dòng)物了。然后，很不巧已有的天鵝圖片全是白天鵝的，于是機(jī)器經(jīng)過學(xué)習(xí)后，會(huì)認(rèn)為天鵝的羽毛都是白的，以后看到羽毛是黑的天鵝就會(huì)認(rèn)為那不是天鵝。

過擬合（over-fitting）：所建的機(jī)器學(xué)習(xí)模型或者是深度學(xué)習(xí)模型在訓(xùn)練樣本中表現(xiàn)得過于優(yōu)越，導(dǎo)致在測(cè)試數(shù)據(jù)集中表現(xiàn)不佳。

• 上問題解答：

  • 訓(xùn)練數(shù)據(jù)訓(xùn)練的很好啊，誤差也不大，為什么在測(cè)試集上面有問題呢？

4 小結(jié)

• 分類模型評(píng)估【了解】

  • 準(zhǔn)確率

• 回歸模型評(píng)估【了解】

  • RMSE -- 均方根誤差

• 擬合【知道】

  • 舉例 -- 判斷是否是人

  • 欠擬合

    • 學(xué)習(xí)到的東西太少
    • 模型學(xué)習(xí)的太過粗糙

  • 過擬合文章來源地址http://www.zghlxwxcb.cn/news/detail-841870.html

    • 學(xué)習(xí)到的東西太多
    • 學(xué)習(xí)到的特征多，不好泛化

未完待續(xù)， 同學(xué)們請(qǐng)等待下一期

全套筆記資料代碼移步： 前往gitee倉庫查看

感興趣的小伙伴可以自取哦，歡迎大家點(diǎn)贊轉(zhuǎn)發(fā)~

到了這里，關(guān)于【機(jī)器學(xué)習(xí)】科學(xué)庫使用第2篇：機(jī)器學(xué)習(xí)概述,學(xué)習(xí)目標(biāo)【附代碼文檔】的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！