认识数据

数据集  dataset、样本 sample、特征 feature、类别标签 label、向量 vector、矩阵 matrx

IRIS鸢尾花数据集

研究问题：如何根据花的外形特征判断花的种类

1️⃣ 一共有多少数据？

• 150 条样本（数据行）

• 每一条样本 = 一朵鸢尾花

2️⃣ 有哪些特征？

 每一朵花都有 4 个数值特征（输入 x，需要一个高维特征空间（feature space））：

3️⃣ 有哪些类别？

IRIS 有 3 个类别（输出 y）：

机器学习的目标就是：

给你前 4 个数字(花的数值特征)，让模型自动判断它属于哪一类鸢尾花(类别) 🌸

结构化数据和非结构化数据

结构化数据 = 能放进“表格”的数据

• 🌸 IRIS 数据集就是结构化数据

非结构化数据 = 不能直接放进表格的数据

• 图片、文本、音频数据

机器学习的主要任务

分类

• 根据已知样本特征判断样本的类别
• 二分类、多分类、多标签分类
  • 二分类：猫狗识别、垃圾邮件的识别（0/1）
  • 多分类：鸢尾花的识别、人脸识别、手写体识别（0--N）
  • 多标签分类：电影类型标注（盗梦空间属于动作、科幻类）、图片多标签识别（一个图片里有狗、人、车）

回归

• 根据已知样本特征，预测一个“连续数值”
• 线性回归
• 多项式回归
  • 一个因变量
  • 一个或多个自变量
  • 任何函数都可以用多项式逼近
• 逻辑回归

监督学习

监督学习 = 学一个函数 f(x)

• 分类：f(x) → 类别

• 回归：f(x) → 数值

机器学习的分类

是否有人类监督

• 监督学习
  • 分类和回归
  • 训练的数据有标记
• 无监督学习
  • 训练数据未经标记
  • 聚类（例：商品推荐可以基于不同的类型的客户：企业客户、家庭客户）
    • K均值算法
    • 密度聚类
    • 最大期望算法
  • 降维（不丢失数据的情况下大量简化数据，把多个特征合并为一个特征）
    • 主成分分析
    • 核方法
  • 关联规则学习（啤酒和尿布的故事，泡面加卤蛋🍜）
    • 挖掘特征间关联关系
    • Apriori方法
    • Eclat方法
• 半监督学习
  • 少量标记数据
  • 大量无标记数据
• 强化学习（训练小狗🐕）
  • 观测环境
  • 估计状态
  • 执行操作
  • 获得回报或惩罚

数据的使用方式

• 批量学习
  • 先训练再使用
  • 需要大量的时间和计算资源
  • 通常都是离线完成
• 在线学习
  • 循序渐进
  • 边学边用

模型的泛化

• 基于实例
  • 先记住训练实例
  • 相似度计算
• 基于模型
  • 先构建模型
  • 再预测

机器学习的误区和局限

• 数据并不是越多越好的
• 模型的可信度（深度学习是一个黑盒子，可解释性）
• 随机和确定性的问题
• 小样本集怎么使用