机器学习概述

1.1 人工智能概述

达特茅斯会议：人工智能的起点
技术关联：
- 机器学习是人工智能的一个实现途径
- 深度学习是机器学习的方法发展中衍生出的分支

1.1.2 机器学习与深度学习的应用场景

传统预测（如气温、销量预测）
图像识别（如人脸识别、物体检测）
自然语言处理（如情感分析、机器翻译）

1.2 什么是机器学习？

核心要素：数据 → 模型 → 预测
本质：从历史数据中挖掘规律，利用规律对新数据进行预测。

1.2.3 数据集构成

特征值（Features）：描述数据的属性（如身高、体重、文本关键词）
目标值（Target）：需要预测的结果（如性别、气温、分类标签）

1.3 机器学习算法分类

监督学习（Supervised Learning）

目标值类型：明确标注的类别或连续值
- 分类问题（目标值为离散类别）：
- 算法：k-近邻（k-NN）、朴素贝叶斯、决策树与随机森林、逻辑回归
- 示例：预测明天是阴/晴/雨（分类）、人脸识别（分类）
- 回归问题（目标值为连续数值）：
- 算法：线性回归、岭回归
- 示例：预测明天气温（回归）、人脸年龄预测（回归/分类）

无监督学习（Unsupervised Learning）

目标值类型：无标注
- 聚类问题：
- 算法：k-means
- 示例：用户分群（根据行为特征自动分组）

1.4 机器学习开发流程

获取数据：从公开数据集（如sklearn、Kaggle）、企业内部数据库或接口采集数据。
数据处理：清洗缺失值、处理异常值、格式标准化。
特征工程：提取/转换特征（关键步骤，直接影响模型效果）。
模型训练：选择算法，用训练数据拟合模型。
模型评估：通过测试集验证模型泛化能力（如准确率、均方误差）。
应用部署：将模型投入实际场景（如线上预测服务）。

1.5 学习框架与资料推荐

核心认知

算法是核心，数据与计算资源是基础。

学习路径建议

入门阶段：掌握基础概念（如特征工程、模型评估）。
实战提升：通过项目练习巩固知识（如Kaggle竞赛、企业实战）。

经典书籍

《机器学习》（周志华，“西瓜书”）：适合入门与进阶。
《统计学习方法》（李航）：侧重数学推导与算法原理。
《深度学习》（花书，Goodfellow等）：深度学习领域的“圣经”。