1.機器學習概述

1.1人工智慧概述

1.1.1機器學習與人工智慧、深度學習

• 機器學習和人工智慧，深度學習的關係

  • 機器學習是人工智慧的一個實現途徑
  • 深度學習是機器學習的一個方法發展而來

• 達特茅斯會議-人工智慧的起點

  1956年8月，在美國漢諾斯小鎮寧靜的達特茅斯學院中，

  約翰·麥卡錫（John McCarthy）

  馬文·閔斯基（Marvin Minsky，人工智慧與認知學專家）

  克勞德·夏農（Claude Shannon，資訊理論的創始人）

  艾倫·紐厄爾（Allen Newell，電腦科學家）

  赫伯特·西蒙（Herbert Simon，諾貝爾經濟學獎得主）等科學家正聚在一起，討論著一個完全不食人間煙火的主題：

  用機器來模仿人類學習以及其他方面的智慧。

  會議足足開了兩個月的時間，雖然大家沒有達成普遍的共識，但是卻為會議討論的內容起了一個名字：人工智慧

  因此，1956年也就成為了人工智慧元年。

1.1.2 機器學習、深度學習能做些什麼

• 用在挖掘、預測領域：

  • 應用場景：店鋪銷量預測、量化投資、廣告推薦、企業客戶分類、SQL語句安全檢測分類…

• 用在影象領域：

  • 應用場景：街道交通標誌檢測、人臉識別等等

• 用在自然語言處理領域：

  • 應用場景：文字分類、情感分析、自動聊天、文字檢測等等

1.2 什麼是機器學習

1.2.1 定義

機器學習是從資料中自動分析獲得模型，並利用模型對未知資料進行預測。

1.2.2理解

人類從大量的日常經驗中歸納規律，當面臨新的問題的時候，就可以利用以往總結的規律去分析現實狀況，採取最佳策略。

例如：

• 從資料（大量的貓和狗的圖片）中自動分析獲得模型（辨別貓和狗的規律），從而使機器擁有識別貓和狗的能力。
• 從資料（房屋的各種資訊）中自動分析獲得模型（判斷房屋價格的規律），從而使機器擁有預測房屋價格的能力。

1.2.3 資料集構成

• 結構：特徵值+目標值

注：每一行資料被稱為一個樣本，目標值不是必須存在的，但是會存在特徵值。

1.3 機器學習演算法分類

分類：

1. 特徵值：貓/狗的圖片；目標值：貓/狗-類別
   • 分類問題
2. 特徵值：房屋的各個屬性資訊；目標值：房屋價格-連續型資料
   • 迴歸問題
3. 特徵值：人物的各個屬性資訊；目標值：無
   • 無監督學習

1.3.1小結

1.3.2機器學習演算法分類

• 監督學習(supervised learning)（預測）
  • 定義：輸入資料是由輸入特徵值和目標值所組成。函式的輸出可以是一個連續的值(稱為迴歸），或是輸出是有限個離散值（稱作分類）。
  • 分類 k-近鄰演算法、貝葉斯分類、決策樹與隨機森林、邏輯迴歸、神經網路
  • 迴歸 線性迴歸、嶺迴歸
• 無監督學習(unsupervised learning)
  • 定義：輸入資料是由輸入特徵值所組成。
  • 聚類 k-means

1.4 機器學習開發流程

注：參考了黑馬程式設計師相關資料。