主要内容

机器学习、深度学习与相关实例概述

机器学习的角度看数学

• 数学分析： 导数与梯度、Taylor展式的应用
• 概率论基础：古典概型、频率学派与贝叶斯学派、常见概率分布、Sogmoid/Logistic函数的引入

Python简介

机器学习

机器学习的对象：一个或多个的任务T，经验E，性能度量方案P
对于某个T，在合理的P下，计算机可以自主学习T的E，并随合适优质大量的E，该程序对T的性能逐步提高。即任务不断执行，经验的积累提升了计算机性能

一般来说，人工智能、机器学习与深度学习的关系为：AL>ML>DL

人类的学习：

• 有监督学习：有标签
• 无监督学习：无标签，分成一簇簇
• 半监督学习有一部分数据有标签，
• 增强学习(强化学习)：State-Action-Reward序列，如踢球、走路
• 迁移学习：如神经网络前面学习率调低，后面学习率调高

机器学习步骤:

• 建模（抽取特征+ 算法）
• 预测（可能进行建模-预测的迭代）
  一般流程(可类比烹饪)：数据收集-> 数据清洗-> 特征工程-> 数据建模

Python

简介：1989年诞生，开源、简单、强大，“胶水语言”

python解释器:

python2与Python3的语法大有不同

Package:

1. Python包：

• numpy： FFT/Gaussian/LSQ/SVD
  np.arange的类型是ndarray数组:

  
  image.png

• pandas(封装Numpy)：Dataframe/Series(Excel/csv/tcv)

• scipy：作科学计算

• matplotlib：绘制

• scikit-learn：作机器学习

• TensorFlow(Kerse封装tf与Theano)/pytorch/Theano/Caffe/PandlePandle DL

2. 安装:
   pip install … (from pypi.org)
   pip list查看已安装过的包

IDE:

• anaconda安装后将python解释器和常用python包都准备好
• Pycharm: 专业版(多网页制作功能，收费)和社区版(免费)
  在软件中配置解释器

实例

使用python numpy库绘制x**x图像

# X**X图像
import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 1, 100) # 之间有最小值e^-(e^-1)
x2 = np.linspace(0, 5, 100)
y = x ** x
plt.plot(x, y, 'r-', mec = 'k')
x2 = np.linspace(0, 5, 100)
plt.plot(x2, y, 'b-', mec = 'k')

plt.show()

0~1之间存在最小值，图像如下：

image.png