如何成为机器学习工程师
https://keras-cn.readthedocs….
http://www.tensorfly.cn/tfdoc…

机器学习 vs 数据分析

机器学习：利用计算机从历史数据中寻找规律，并把这些规律用到对未来
不确定场景的决策

• 基于专家经验
• 数据分析（基于统计）－－> 主体主要是人去分析　　｀受制于经验＆知识水平｀
• 机器学习－－> 计算机

　　-

从历史数据中寻找规律　－－>依赖于算法，其实这个规律就是找到一个数学函数（公式）

传统的统计学一直受制于计算能力的显示，用的是抽样的方式。
统计中：　抽样－－> 描述统计　－－>　结论　－－>　假设检验　
现在计算能力已经不是问题，所以是用全量的数据：

观察数据（可视化后）－－>用模型刻画（拟合）规律（函数－函数曲线－拟合）
在实际的多维，ｎ维数据中，是很难用可视化的方式展示数据的，无法用图形方式发现规律，这时候只能靠数学运算

机器学习

概述

机器学习(Machine Learning,ML) 是使用计算机来彰显数据背后的真实含义，它为了把无序的数据转换成有用的信息。是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

• 海量的数据
• 获取有用的信息

机器学习的典型应用

机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。 “机器学习是对能通过经验自动改进的计算机算法的研究”。 “机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”

一种经常引用的英文定义是：A computer program is said to learn from experience E

with respect to some class of tasks T and performance measure P, if

its performance at tasks in T, as measured by P, improves with

experience E.

机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。

深度学习 vs 机器学习 vs 模式识别

深度学习 vs 机器学习 vs 模式识别

细分场景

购物篮分析

• 关联规则

用户细分精准营销

• 聚类

垃圾邮件识别

• 朴素贝叶斯

信用卡欺诈

• 决策树

互联网广告

• ctr预估

推荐引擎

• 协同过滤

自然语言处理

• 情感分析
• 实体识别

图像识别

• 深度学习

语音识别
个性化医疗
情感分析
人脸识别
自动驾驶
智慧机器人
私人虚拟助理
手势控制
视频内容自动识别
机器实时翻译

机器学习组成

主要任务

• 分类(classification):将实例数据划分到合适的类别中

  • 应用实例：判断网站是否被黑客入侵（二分类 ），手写数字的自动识别（多分类）

• 回归(regression) :主要用于预测数值型数据

  • 应用实例：股票价格波动的预测，房屋价格的预测等。

监督学习（supervised learning）

监督学习中，我们只要给定输入样本集，机器就可以从中推演出指定目标变量的可能结果。

机器从输入数据预测合适的模型，并从中计算目标变量的结果

• 必须确定目标变量的值 以便机器学习算法可以发现特征和目标变量之间的关系。在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着一个特定的关系。 (包括：分类和回归)

• 样本集：训练数据 + 测试数据

  • 训练样本 = 特征(feature) + 目标变量(label: 分类-离散值/回归-连续值)
  • 特征通常是训练样本集的列，它们是独立测量得到的。

  • 目标变量: 目标变量是机器学习预测算法的测试结果

    • 在分类算法中目标变量的类型通常是标称型(如：真与假)，而在回归算法中通常是连续型(如：1~100)。

监督学习使用两种类型的
·目标变量: 标称型和数值型

标称型目标变量的结果只在有限目标集中取值， 如真与假，动物分类集合{爬行类、鱼类、哺乳类、两栖类}

数值型目标变量可以从无限的数值集合中取值，如0.100、42.001、1000.743等。数值型目标变量主要用于回归分析

• 监督学习需要注意的问题：

  • 偏置方差权衡
  • 功能的复杂性和数量的训练数据
  • 输入空间的维数
  • 噪声中的输出值

• 知识表示：

  • 可以采用规则集的形式【例如：数学成绩大于90分为优秀】
  • 可以采用概率分布的形式【例如：通过统计分布发现，90%的同学数学成绩，在70分以下，那么大于70分定为优秀】
  • 可以使用训练样本集中的一个实例【例如：通过样本集合，我们训练出一个模型实例，得出 年轻，数学成绩中高等，谈吐优雅，我们认为是优秀】

     机器学习中，对数据进行分类的算法大概有两种：
        - 感知器
        - 适应性的线性神经元
        - 学习算法（learning algorithm），从数据中产生模型的方法
        - 数据集（data set）：一组记录的合集
        - 示例（instance）：对于某个对象的描述
        - 样本（sample）：也叫示例
        

附：机器学习专业术语

• 模型（model）：计算机层面的认知
• 属性（attribute）：对象的某方便表现或特征
• 特征（feature）：同属性
• 属性值（attribute value）：属性上的取值
• 属性空间（attribute space）：属性张成的空间
• 样本空间/输入空间（samplespace）：同属性空间
• 特征向量（feature vector）：在属性空间里每个点对应一个坐标向量，把一个示例称作特征向量
• 维数（dimensionality）：描述样本参数的个数（也就是空间是几维的
• 学习（learning）/训练（training）：从数据中学得模型
• 训练数据（training data）：训练过程中用到的数据
• 训练样本（training sample）:训练用到的每个样本
• 训练集（training set）：训练样本组成的集合
• 假设（hypothesis）：学习模型对应了关于数据的某种潜在规则
• 真相（group-true）:真正存在的潜在规律
• 学习器（learner）：模型的另一种叫法，把学习算法在给定数据和参数空间的实例化
• 预测（prediction）：判断一个东西的属性
• 标记（label）：关于示例的结果信息，比如我是一个“好人”。
• 样例（example）：拥有标记的示例
• 标记空间/输出空间（label space）：所有标记的集合
• 分类（classification）：预测时离散值，比如把人分为好人和坏人之类的学习任务
• 回归（regression）：预测值时连续值，比如你的好人程度达到了0.9，0.6之类的
• 二分类（binary classification）：只涉及两个类别的分类任务
• 正类（positive class）：二分类里的一个
• 反类（negative class）：二分类里的另外一个
• 多分类（multi-class classification）：涉及多个类别的分类
• 测试（testing）：学习到模型之后对样本进行预测的过程
• 测试样本（testing sample）：被预测的样本
• 聚类（clustering）：把训练集中的对象分为若干组
• 簇（cluster）：每一个组叫簇
• 监督学习（supervised learning）：典范–分类和回归
• 无监督学习（unsupervised learning）：典范–聚类
• 未见示例（unseen instance）：“新样本“，没训练过的样本
• 泛化（generalization）能力：学得的模型适用于新样本的能力
• 分布（distribution）：样本空间的全体样本服从的一种规律
• 独立同分布（independent and identically distributed，简称i,i,d.）:获得的每个样本都是独立地从这个分布上采样获得的。

参数(parameters)和超参数(hyperparameters)

• 参数：就是模型可以根据数据可以自动学习出的变量，应该就是参数。比如，深度学习的权重，偏差等
• 超参数：就是用来确定模型的一些参数，超参数不同，模型是不同的(这个模型不同的意思就是有微小的区别，比如假设都是CNN模型，如果层数不同，模型不一样，虽然都是CNN模型哈。)，超参数一般就是根据经验确定的变量。在深度学习中，超参数有：学习速率，迭代次数，层数，每层神经元的个数等等。

参考

慕课网机器学习
TensorFlow中文社区
apachecn/MachineLearning
Natalia Konstantinova 博客
神经网络的黑客指南