机器学习及数据分析第一章绪论

机器学习及数据分析第一章绪论的思维导图，整理了机器学习的类别、机器学习的应用场景、机器学习的实践工具、机器学习的应用领域、机器学习的基本术语的内容，有兴趣的可以看看哟。

机器学习及数据分析 第一章 绪论

• 人工智能与机器学习
  • 机器学习的概念
    • 概念
      • 机器学习，最早是由一位人工智能领域的先驱，Arthur Samuel,在1959年提出来的。本意指的是一种让计算机在不经过明显编程的情况下，对数据进行学习，并且做出预测的方法，属于计算机科学领域的一个子集。公认的世界上第一个自我学习项目，就是Samuel跳棋游戏。
    • 定义
      • 机器学习领域的创始人Arthur Samuel（亚瑟·塞缪尔）早在1959年就给机器学习（Machine Learning，ML）下了定义： 机器学习是这样的一个研究领域，它能让计算机不依赖确定的编码指令来自主的学习工作。 机器学习就是对计算机一部分数据进行学习，然后对另外一些数据进行预测与判断。
    • 核心
      • 使用算法解析数据，从中学习，然后对新数据做出决定或预测
  • 人工智能
    • AI(Artificial Intelligence)
      • 可以简单的解释为：努力将通常由人类完成的智力任务自动化
    • AI的起源与发展
• 机器学习的类别
  • 机器学习的分类
    • 有监督学习：通过现有的训练数据集建模，再用模型对新的数据样本进行分类或者回归分析的机器学习方法。 有监督学习的训练数据集一般包含样本特征变量和分类标签。
    • 无监督学习：没有数据训练集的情况下，对没有标签的数据进行分析并建立合适的模型，以便给出问题的解决方案。
    • 其他
  • 机器学习的新热点
    • 深度学习
      • 层数较多、结构比较复杂的神经网络的机器学习技术叫做深度学习。
      • 适用于图像、音频、视频等非结构化数据的处理
    • 强化学习（Reinforcement Learning） 智能体（Agent）如何基于环境而做出行动反应，以取得最大化的累积奖励。
• 机器学习的应用场景
  • 有监督学习解决的问题
    • 分类的目标是对样本的类标签进行预测，判断样本属于哪一个分类，结果是离散的数值。
    • 回归:回归的目标是要预测一个连续的数值或者是范围
  • 无监督学习解决的方法
    • 聚类:聚类（Clustering）问题是在没有标签的情况下，把数据按照其特征的性质分成不同的簇（分类）。
• 机器学习的实践工具
  • 在线实践工具
    • https://jupyter.org/try-jupyter/lab/
    • https://www.kaggle.com/code
    • https://ml.azure.com/home
  • 本机实践工具
    • https://www.anaconda.com/
    • https://conda.io/projects/conda/en/latest/
• 机器学习的应用领域
  • 电子商务中的智能推荐
  • 社交网络中的广告效果
  • 互联网金融中的风控系统
  • 新闻资讯中的内容审查
  • 精准医学、智能医疗
  • 无人驾驶
  • 智能家居
• 机器学习的基本术语
  • 模型的泛化
    • 过拟合：如果基于训练集建立的模型过于复杂，以至于这个模型在拟合训练数据集时表现非常好，但是在测试数据集的表现差，说明模型出现了过拟合（overfitting)的问题。
    • 欠拟合：相反，如果模型过于简单，连训练数据集的特点都不能完全考虑到的话，那么这样的模型在训练数据集和测试数据集的得分都会非常差，这个时候我们说模型出现了欠拟合（underfitting)的问题。