机器学习作业1
作业要求:
1)贴上Python环境及pip list截图,了解一下大家的准备情况。暂不具备开发条件的请说明原因及打算。
2)贴上视频学习笔记,要求真实,不要抄袭,可以手写拍照。
3)什么是机器学习,有哪些分类?结合案例,写出你的理解。
1)我使用软件为pycharm,电脑安装了python3.7
已经具备的包有:
学习笔记:
一、机器学习概论
1.机器学习是什么?
2:35
通俗来讲:
35:22
2.机器学习一般流程(37:42)
3常用的数学函数的导数
4.积分的运用
分步积分法:
82:00:
二、Python基础
常用的命令:
Python库:
- Pip:安装Python包的推荐工具
- Numpy:为Python提供快速的多维数组处理能力
- Pandas:在Numpy基础上提供了更多的数据读写工具
- Scipy:在Numpy基础上添加了众多科学计算工具包
- Matplotlib:Python丰富的绘图库
Pip:
- 下载包:pip install 包名
- 更新包:pip install 包名 --upgrade
- 卸载包:pip uninstall 包名
- 查看安装包:pip list
类/继承类:定义类是通过class关键字,当我们定义一个class的时候,可以从 某个现有的class继承,新的class称为子类,而被继承的class称为基类、父类或
超类。
- 导入包:import 模块名 [as 别名]
- from 模块名 import 包名(从模块包中导入一个指定包)
绘图的主要属性:
- figure:可以绘制一个制定大小的画布
- grid:可以自定义网格,其中linestyle为线条类型,alpha为透明度
- title:可以设置标题
- legend:可以显示图例
- xticks:自定义X轴内容
- yticks:自定义Y轴内容
- xlable:自定义X轴图例
- ylabel:自定义Y轴图例
- show:可以显示图像
- plot:绘制折线图
- bar:绘制柱状图,width可自定义柱体大小,color自定义每个柱体颜色(颜色必须传入为列表且与len(x)相对应)
- hist(x,bins=group_num,density=True):绘制直方图,其中x为传入的数据集,bins为传入的组数,density默认为False(是否显示频度)
3)什么是机器学习,有哪些分类?结合案例,写出你的理解。
1.什么是机器学习?
对于某给定的任务T,在合理的性能度量方案P的前提下,某计算机程序可以自主学习任务T的经验E;随着提供合适、优质、大量的经验E,该程序对于任务T的性能逐步提高。
这里最重要的是机器学习的对象:
①任务Task,T,一个或者多个
②经验Experience,E
③性能Performance,P
即:随着任务的不断执行,经验的累积会带来计算机性能的提升。
通俗的讲:
机器学习是人工智能的一个分支。我们使用计算机设计一个系统,使它能够根据提供的训练数据按照一定的方式来学习;随着训练次数的增加,该系统可以在性能上不断学习和改进;通过参数优化的学习模型,能够用于预测相关问题的输出。
2.机器学习有哪些分类?
机器学习主要分为四类:监督学习、无监督学习、增强学习。
监督学习:
在监督式学习下,输入数据被称为“训练数据”,每组训练数据有一个明确的标识或结果,如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”,对手写数字识别中的“1“,”2“,”3“,”4“等。在建立预测模型的时候,监督式学习建立一个学习过程,将预测结果与“训练数据”的实际结果进行比较,不断的调整预测模型,直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归(Logistic Regression)和反向传递神经网络(Back Propagation Neural Network)
例子:你小时候见到了狗和猫两种动物 奶奶告诉你狗是狗,猫是猫,从此你知道了狗是狗,猫是猫这是监督学习。
无监督学习:
即没有标注的训练数据集,需要根据样本间的统计规律对样本集进行分析, 根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题,称之为无监督学习。
例如:给出一堆三角形和一堆圆形,根据当前样本统计的规律,它能将这两类分成两堆不同的集合,一堆三角形,一堆圆形,再比如你小时候见到了狗和猫两种动物 没人告诉你哪个是狗哪个是猫 但你根据他们样子、体型等特征的不同鉴别出这是两种不同的生物 并对特征归类 这是无监督学习
强化学习:
强化学习是试错学习(Trail-and-error),由于没有直接的指导信息,智能体要以不断与环境进行交互,通过试错的方式来获得最佳策略。
例如:学习走路,如果摔倒了,那么我们大脑后面会给一个负面的奖励值,说明走的姿势不好。然后我们从摔倒状态中爬起来,如果后面正常走了一步,那么大脑会给一个正面的奖励值,我们会知道这是一个好的走路姿势,从此学会了正确的走路方式,这是强化学习。