流程上一上

机器学习的数据来源

我们一般用列向量来表示一个样本及其所有特征值
把列向量转置后组合可以组合成一个矩阵
（下图表述不是很对，图中的一个样本应该是一行，其中有多个特征值）
我们也可以把数据集放到坐标系中表示，每一个特征值的大小对应一个轴的坐标大小（有多少个特征值坐标系就有多少维度）
一般来说，我们会对坐标系里面的样本用拟合的曲线进行分类，而且维度很高

对于特征的获取

特征可以很抽象，甚至是来源于我们逻辑之外的

:::warning 在深度学习中，特征（权重）的获取是由BP算法在训练中不断矫正权重参数达成的 :::

机器学习的分类（性质列举）

从结果上机器学习算法的典型举例

进行以下分类任务和回归任务的绝大多数算法属于监督学习

分类任务

多分类任务

识别动物类型，人脸识别，文字识别，自动驾驶，风险评级，训练玩简单游戏的AI

二分类任务

例如：判断邮件是否为垃圾邮件，判断股票涨或者跌（简单型）

注意

![{(IHM8WZVV52WOT%KE.png

多标签任务

把图片放到多个类别中（打上多个标签），甚至可以从由这种方法来进行更精细的分类或者预测

回归任务

结果是一个连续数字的值，而非用拟合曲线分类

![{(IHM8WZVV52WOT%KE.png
注意：在一些情况下回归任务可以被转化为分类任务，比如说人为的把成绩分等级，把连续的操作转化为有限的类别（例如方向盘转动的角度，刹车和油门的档位级别，）

从原始数据特性上机器学习算法的典型举例

:::danger 注意，以下为算法的某一性质分析，一个算法可能有许多个不互斥的性质 :::

监督学习

给机器训练用的数据有对应的答案用于验证

目标示例如下：

算法示例如下：

非监督学习

训练的数据没有任何标记或者答案（待续）

![OG1VU}285QUJVGGRHMXB@J.png

示例：电商网站使用非监督学习的方式对消费者进行分类，

降维处理的意义：特征提取，降低数据维度，极大地减少数据处理量，
方便数据可视化（因为人类是很难直观理解高维信息的）
非监督学习可以剔除数据中的异常点

半监督学习

一部分数据集有对应的答案/标记，但是另一部分没有，这种数据大多数是直接来源于生活中的原始数据。

从方法特性上机器学习算法的典型举例

增强学习

及时得到反馈并改变行动方式的学习

批量学习和在线学习

批量学习

输入大量已经收集到的数据来训练模型，模型训练成功后即可投入使用（样例不再改变模型）
优点：成型快，效率高
缺点：难以与时俱进，时效性和可塑性不高![GDBNO9E$~E4I@29N4W@1)K.png

在线学习

除了输入大量已经收集到的数据来训练模型，还会将即时收集到的数据（带有答案的样例）也投入模型进行模型的训练和优化


可用非监督学习进行异常数据排除

参数学习和非参数学习

参数学习

数据集经过算法的学习，获得了拟合于数据集的算法中的参数，那么这个数据集就可以不再利用，转而利用更简洁的参数

非参数学习

![Y@W`P%B0}N_N05Z4JSZW8T.png

机器及学习的哲学思考

2001年，微软的研究表明，数据量足够大，机器学习的预测能力就会变得很强——数据是核心

——对于算法来说什么是“简单”？是储存空间小，时效性高还是算力消耗小，暂无绝对的定论

但是，或许可以通过算法创造数据，算法也可能成为核心

注意：这里指的是该算法用于所有的问题，而在特定的问题中，不同的算法表现不一样，所有算法没有绝对的优劣之分

对于机器学习的预测结果的看待：根据已经确定等事实所得出的数据对未来进行预测，本就是具有不确定性的，机器学习更像是远超所有人类记忆力和判断力的产物，对世界进行逆向工程或者是黑盒预测。