Python | 我想简单了解机器学习

2022-04-02 本文已影响0人 shwzhao

老板每天都转发机器学习公众号推文，只学会如何整理数据和将数据导入包是不行的，这不是一朝一夕能够学会的。

原图链接：https://scikit-learn.org/stable/tutorial/machine_learning_map/

$FLAG$ ：学习机器学习可以提高以后的竞争力，但这不是我平时的主要注意力所在，主要在休息日慢慢学习，慢慢更新本文章。

1. 如何学习？

南大周志华的《机器学习》这本书怎么样？ - 知乎
https://www.zhihu.com/question/39945249/answer/2056715754

如何系统学习机器学习？ - 知乎
https://www.zhihu.com/question/266291909（吴恩达也作了回答）

需要学的数学知识：微积分、线性代数、概率论与数理统计......

1.1 所需数理知识与资源

视频课程
吴恩达
书
《统计学习方法》李航
《统计方法导论》
《机器学习》（西瓜书）周志华
《深度学习》（花书）
《机器学习实战》（配套代码）
帖子
知乎 | 《统计学习方法》硬核 Python 实现，完工
知乎 | Machine Learning: 十大机器学习算法
公众号 | 生信菜鸟团 | 用 Scikit-learn Pipeline 创建机器学习流程
kaggle 练习
知乎 | Kaggle入门，看这一篇就够了

1.2 简要介绍

常见分类
监督学习、无监督学习、半监督学习、强化学习
所解决问题
回归、分类、聚类、降维......
框架（后面三个为深度学习框架）
scikit-learn、TensorFlow、keras、PyTorch
开发机器学习应用程序的步骤
收集数据
准备输入数据
分析输入数据
训练算法
测试算法
使用算法

看来，学习机器学习，必然要有一定的数学基础，那数学的分支有哪些呢？
知乎 | 第1期大学数学专业概述及其分类

2. 微积分

知乎 | 30分钟通俗讲解微积分的整个框架
bilibili | 3Blue1Brown | 微积分的本质
书 | 《普林斯顿微积分读本》

3. 线性代数

4. 概率论与数理统计

5. scikit-learn & 算法

2.1 线性回归

iris数据集

### 2.2 逻辑回归
### 2.3 k最近邻
### 2.4 支持向量机
### 2.5 朴素贝叶斯
### 2.6 决策树
### 2.7 随机森林
- 深度神经网络
- 卷积神经网络
- 循环神经网络

# 函数
- 一次函数、二次函数、多次函数、激活函数、Sigmoid 函数和对数函数。
Sigmoid 函数中的 e 叫自然常数，是一个无理数，约等于2.72。
对数函数是指数函数的逆运算。从几何意义上说，对数是将数轴进行强力的缩放。

- 函数的变化趋势是通过求导和微分来实现的。连续性是函数的性质之一，是求导的前提条件。
导数是针对一个变量而言的函数变化趋向。而对于多远（即多变量）的函数，它关于其中一个变量的导数为偏导数，此时保持其他变量恒定。如果其中所有变量都允许变化，则称为全导数。

- 凹凸性也是函数的性质之一。
函数还有很多其他性质，奇偶性、单调性，周期性等。
凸函数、非凸函数。机器学习的梯度下降过程中，只有凸函数能够确保下降到全局最低点。

# 梯度下降
对多元函数的各参数求偏导数，然后把所求得的各个参数的偏导数以向量的形式写出来，就是梯度。
机器学习的本质是找到最优的函数
可以建立误差和模型参数之间的函数（最好是凸函数）
梯度下降能够引导我们走向凸函数的全局最低点，找到误差最小时的参数。

# 机器学习数据结构，张量
矩阵（二维数组、2D 张量）
轴，阶，Numpy中数组的轶

X = np.array(5) # 标量
X = np.array([5, 6, 7, 8, 9]) # 向量
X.ndim # 向量的阶
X.shape # 向量的形状


# 概率与统计
- 概率
条件概率、后验概率
似然、似然函数
- 正态分布
- 方差标准差