1.机器学习概述

1.1人工智能概述

1.人工智能起源

  图灵测试达特茅斯会议

2 .人工智能、机器学习和深度学习

  垃圾邮件分类属于机器学习，识别物体属于深度学习；
  机器学习是人工智能的一种实现途径；
  深度学习是机器学习的一种方法发展而来

3.主要分支介绍

  1.计算机视觉人脸识别
  2.自然语言处理语音识别语义识别
  3.机器人

4.人工智能发展必备三要素

  1.数据
  2.算发
  3.计算力

5.CPU,GPU

  GPU  --  计算密集型
  CPU  --  IO密集型

1.2机器学习工作流程

1.定义

  数据、自动分析、预测 从数据中自动分析获得模型，并利用模型对位置数据进行预测

2.工作流程

 1.获取数据
 2.数据基本处理
 3.特征工程
 4.机器学习（模型训练）
 5.模型评估    

3.获取数据集介绍

 1.专有名词
     样本 ：一行数据称为样本
     特征 ：一列数据称为特征       
     目标值（标签值） 、特征值
 2.数据类型构成            
     类型一：特征值+目标值（目标值分为离散和连续）            
     类型二：只有特征值，没有目标值        
 3.数据分割            
     训练数据（训练集）   --  构建模型    --  0.7 - 0.8            
     测试数据（测试集）   --  模型评估    --  0.2 - 0.3
4.数据基本处理            
 对数进行缺失值、去除异常值等处理
5. 特征工程
  1.定义        
     把数据转换为机器更容易识别的数据      
  2.为什么需要特征工程              
     数据和特征决定了机器学习的上限，而模型和算发只是逼近这个上限而已
  3.包含内容            
     特征提取、特征预处理、特征降维
6.机器学习        
   选择合适的算法对模型进行训练
7.模型评估              
   对训练好的模型进行评估  

1.3机器学习算法分类

1. 监督学习 – 有特征值，有目标值

   目标值连续 -- 回归
   目标值离散 -- 分类

2.无监督学习 – 仅有目标值

3.半监督学习

   有特征值，但是一部分数据有目标值，一部分没有

4. 强化学习

   动态过程，上一步数据的输出是下一步数据的输入   
   四要素 ： agent , action , environment , reward

1.4模型评估

1. 分类模型评估

   准确率    
   精确率    
   召回率   
   F1 - score    
   AUC指标

2. 回归模型评估

 1. 均方根误差  --  比较误差是相同单位的模型   
 2. 相对平方误差  --  比较误差是不同单位的模型     
 3. 相对绝对误差  --  比较误差是不同单位的模型            
 4. 平均绝对误差  --  比较误差是相同单位的模型    
 5. 决定系数                
      描述了回归模型所揭示的因变量方差在总方差中的比例。很大，即自变量和因变量之间存在线性关系，如果回归模型是“完美的”，SSE为零，则为1。小，则自变量和因变量之间存在线性关系的证据不令人信服。如果回归模型失败，SSE等于SST，没有方差可被回归解释，则为零。        

3. 拟合

    欠拟合        过拟合                 

2.机器学习基础环境安装与使用

2.1Jupyter notebook使用

1. jupyter 定义

  开源的科学计算平台     
  类比ipython      
  可以运行代码，可以做笔记      
  文件后缀： .ipynb

2. jupyter和pycharm 对比

  jupyter   --  探索性数据，一边分析，一边运行      
  pycharm  --  适合逻辑性强的操作（web）

3. Cell

   一对in out 会话被视为一个代码单元，称为cell

4. jupyter两种模式

  编辑模式： 直接点击进去，可以进行编写代码。做笔记      
  命令模式： 通过快捷键，操作

5. 快捷键

  通用：           
    Shift + Enter , 执行本单元代码，并跳转到下一单元           
    ctrl + Enter , 执行本单元代码，留在本单元      
  命令模式：点击ESC+          
    Y , cell切换到code模型          
    M,cell切换到Markdown模式           
    A ,在当前cell的上面添加cell           
    B ,在当前cell的上面添加cell

3.Matplotlib

3.1 Matplotlib之helloword

1.定义

主要用于开发2D图标（3D）     
数据分析，基于分析，进行展示 

2.绘图流程

1.创建画布
2.图像绘制
3.显示图像

3.matplotlib三层结构

容器层   canvas   fiqure   axes
辅助显示层   添加x轴，y轴描述，标题
图像层   绘制什么图像的声明

3.2 折线图（plot）与基础绘图功能

1.图像保存

 plt.savefig()      
 注意：图像保存一定要放到show前面

2.添加x轴，y轴刻度

 plt.xticks      
 plt.yticks    
 注意：第一个参数必须是数字，如果不是数字，需要进行值替换    

3.添加网格

  plt.grid()        
  参数：          linestyle  --  绘制网格的方式         '-'虚线，  ‘--’实线
  Alpha    --  透明度

4.添加描述信息

  plt.xlabel( ' 时间 ' )
  plt.ylabel( ' 温度 ' )
  plt.title( ' 一小时温度变化图 ' ,fontsize = 20 )      
  其中，fontsize 用来改变字体大小

5.多次plot

   直接进行绘制，在图形绘制中进行添加

6.显示图例

   plt.legend()
   注意：需要在显示之前，即在图形绘制中的 plot 里面的声明具体值

7.设置图形风格

    颜色字符
        r   --   红色                    c  --   青色
        g  --   绿色                    m --   洋红
        b  --   蓝色                     y --   黄色
        w  --   白色                    k  --  黑色
     风格字符
        -     实现
        - -   虚线
        - .   点划线
         ：  点虚线
         ‘ ’   留空、空格

8.多个坐标系图像显示

  fig , axes  =  plt.subplots()
      nrows  --   几行
      nclos   --   几列
      注意：有些方法需要添加 set_

9.折线图应用场景

  1、表示数据变化
  2、绘制一些数学图像