初学者的机器学习入门实战教程,机器学习实战

机器学习究竟在学习什么？

标准定义：对于一个任务及其表现过程的度量方法，给出特定的算法，能够通过利用经验数据不断提高在该任务上的表现过程的方法，就称为机器学习。简单定义：举一个简单的例子：出租车司机开车送你从上海到北京，这里“任务”就是是上海到北京，“表现过程”就是上海到北京不同的路，“经验数据”就是每条能走的路。然后设计出一个算法，构建出的“上海出发往哪条路上开——模型”能通过利用经验数据得出结果到北京速度效果的提高。

为了实现每次利用经验数据对表现过程的提升，当前最主流的方法就是“误差反向传播法”。这种方法的核心思想就是：让机器自由去试错，然后根据尝试的结果与样本的真实结果之间的误差反向调整试错策略。误差较小的尝试要奖励，误差较大的尝试给予惩罚，然后将这个尝试过程一直循环进行下去，直到多学习到的结果在所有样本上的表现达到我们所定义的最优。

有了“误差反向传播”算法，机器探索从上海到北京的路会越来越多，同时找到最优的路会越来越快，这和老司机在开过很多回这条路后获得最优的选择本质没有区别。而这里人和机器的差距也会体现出来，当数上海到北京路非常多的时候，人就没办法像机器那样一直进行探路，而对机器的数据处理能力来说，这个数据量可能几分钟就能得出最优选择，当然人能另辟蹊径，新手可以向老司机一路打听，而不用自己一路重复摸索。

如何更高效的自学机器学习？

机器学习其实是一个特别大的范畴，高效自学机器学习有两个方面的关键要素：首先要对机器学习有一个宏观的认识，知道哪些是领域是热门且重点领域，做到抓住重点，有的放矢；其次，你需要在熟练掌握一门语言工具的前提下结合具体项目实践，增加自己的实践经验，这个地方我给python打一个广告。下面说一些具体的东西，可能会对你有所帮助。

1: 机器学习可以解决哪些问题？主要分为两类问题：分类问题和回归问题，其中分类问题又可以分为多分类问题和多标签多分类问题。其他还有很多进阶版本的问题，一般由多个问题复合而成，比如物体检测，实际是把图像分割和分类问题整合到了一起；2: 机器学习算法有哪些？我们大体可以将机器学习的算法分为传统机器学习和深度学习算法。

传统机器学习算法中，常见的有SVM，决策树，随机森林等，大都在sklearn中进行了集成，可以非常方便的调用。深度学习算法主要依赖学习框架，主流的包含Tensorflow和PyTorch，各有优缺点，请自行了解做进一步选择。其次就是深度学习的网络结构又可以分为卷积神经网络，递归神经网络，自动编码器，对抗生成网络，图卷积神经网络等。

目前深度学习在各个领域都取得了巨大的性能提升，是机器学习中的重点领域，另外图卷积也逐渐成为重中之重；3: 常见的机器学习的流程是什么样的？一个不失一般性的流程由这么几部分构成：数据集整理，数据集预处理，数据集划分（训练集，测试集，验证集，常见比例7:1:2），模型训练，模型验证，模型测试。4: 怎么评价模型性能好坏？常见指标有哪些？我们通常使用验证集的数据测试并选择最终的模型，然后用测试数据集来测试我们模型的性能。

得到最终模型后，我们可以使用更大的独立测试数据集来进一步评估模型的性能。评估模型性能，我们就需要使用具体的性能指标。根据数据集中不同类别样本的比例，我们将数据集分为均衡数据集和非均衡数据集。均衡数据集我们可以使用准确率、损失值、马修斯系数、F1-score、ROC 曲线以及 AUC 值等指标，这类数据集的评估相对容易。

对于非均衡数据集，我们需要谨慎的使用准确率来衡量模型性能，结合具体问题，我们一般更多的使用F1-score和ROC-AUC等指标。5: 关于公共数据集。现在网上有很多公开的且标注完备的数据集，包括图像的、序列的、文本的等等，为机器学习提供了良好的学习环境。练手阶段需要充分利用这些资源！此外，机器学习不是万能的，很多情况下性能取决于数据和问题定义，不是每一个问题都能用机器学习解决。

机器学习与深度学习有什么异同？

机器学习与深度学习的区别 深度学习与一般机器学习的区别是什么1：一般的机器学习一般指决策树、逻辑回归、支持向量机、xgboost等。深学习的主要特点是使用深神经网络：深卷积网络、深循环网络、递归网络等。算法在层次上没有相似性。很难说相似性可能是每个人的函数都是为了拟合高维函数。 2：一般机器学习在分析低维、可解释性强的任务时表现得更好。

例如，数据挖掘和推荐算法。它们的特点是，一般情况下，采集的数据维数不高。以广告推送任务为例，一般分析的数据维度仅包括性别、年龄、学历、职业等，参数调整方向明确。3：深度学习算法擅长分析高维数据。例如图像、语音等。例如，一张图片可能有几千万像素，相当于几千万个特征向量维度，像素之间的关系不是特别明显。在这种情况下，卷积神经网络能够有效地处理这一问题，基本上能够非常准确地掌握图像的特征。

然而，各个维度的解释力都很弱，参数调整的方向也很不明确（神经元数量、隐含层数量等） 综上所述，其实两者是截然不同的。深度学习是近几年才发展起来的。传统的机器学习算法大多来源于概率论和信息学。在编程方面，传统的机器学习模型基本上集成在sklearn包中。对于深度学习，tensorflow可以作为一个框架 对于详细的理解，传统的机器学习可以从李航的统计原理或者周志华的机器学习（也称西瓜书）中看到。

周志华的《机器学习》这本书怎么学习？

《机器学习》内容简介：机器学习是计算机科学与人工智能的重要分支领域。本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此, 本书更适合大学三年级以上的理工科本科生和研究生, 以及具有类似背景的对机器学习感兴趣的人士。

01书本没有看过，无法给出关于本书具体的学习方法。单就阅读学习这件事，有几点想法可以同你分享，希望对你学习此书有所帮助。一般来说，阅读一般有三个目的：获取信息、获得知识以及消遣。从《机器学习》的内容简介来看，以消遣目的的阅读可能性几乎为零。毕竟，大多数人可能看了之后都看不懂，又何谈消遣呢？02那我们就着重说一说，以获取信息、获得知识为目的的阅读，该如何进行。

获取信息：即知道《机器学习》说的是什么。看完之后，你的状态从不了解某领域到有所了解，“哦，原来是这样”就应当是你的内心独白。具体如何做呢？先通读一遍，再找到颠覆你认知的几个章节认真研究，总结出三个核心观点，最后能向其他人复述书中理念。通读，自然是包括序言，自序，目录等等，再看看相关书评，加深对书本的理解，在通读的过程中，标记让你印象深刻的章节，全书读完后再精读此部分内容，做读书笔记并尝试向他人复述书本内容。

当你真的能够向其他人说清楚书中内容，并且其他人能够很好地理解，才说明书你是真的读懂了。获取知识：这是在获取信息的基础上进一步升华。是指，想学习哪方面的知识，通过获取的知识点应用在日常生活中，更好地指导我们生活。在你阅读的时候，碰到书中的某一观点，除了书中列举的例子，你要想生活中，还有哪些现象是能够解释这个观点的，我能不能在生活中运用这个观点？比如，一本神经心理学的书籍说，人的爬行脑（控制人的欲望的那部分大脑）更加喜欢视觉化的信息，而不是抽象的信息，有哪些例子可以验证呢？iPod的文案“把1000首歌放到口袋里”努比亚手机文案“能拍星星的手机”mini汽车文案“别说你爬过的山，只有早高峰”除了这些广告文案，生活中有很多谚语也符合，谚语并没有说：“同时实现多个目标”“拿在手里的机会才是最重要的”“不要第一个出风头”而是说：“一石二鸟”“双鸟在林，不如一鸟在手”“枪打出头鸟”你看，这些口口相传的话都符合以上理念，人更喜欢视觉化的信息。

当我们真正去找例子验证某观点时，我们对观点会有更深的认识。光有认识还不够，更重要的是应用。你知道人更喜欢视觉化的信息，在你写文案的时候，是不是得依据这个原则呢？平时写作是不是得勤加练习呢？主动获取知识只是第一步，剩下的知识联想与知识应用，才是我们更好掌握知识的诀窍。以上，希望对你有所帮助。欢迎各位在评论区分享更多读书的小诀窍。