机器学习-machine learning | ML

定义：机器学习是一种特殊的算法，不是某个特定的算法，能够让计算机在数据中学习从而进行预测。所以，机器学习不是
某种具体的算法，而是很多算法的总称。机器学习包含了很多种不同的算法，深度学习就是其中之一，
其他方法包括决策树，聚类，贝叶斯等。
深度学习的灵感来自大脑的结构和功能，即许多神经元的互连。人工神经网络（ANN）是模拟大脑生物结构的算法。
不管是机器学习还是深度学习，都属于人工智能（AI）的范畴。所以人工智能、机器学习、深度学习可以用下面的图来表示：
基本思路：
(1).把现实生活中的问题抽象成数学模型，并且很清楚模型中不同参数的作用
(2).利用数学方法对这个数学模型进行求解，从而解决现实生活中的问题
(3).评估这个数学模型，是否真正地解决了现实生活中的问题，解决的如何
最后就会发现，不是所有问题都可以转换成数学问题的。那些没有办法转换的现实问题 AI 就没有办法解决。
同时最难的部分也就是把现实问题转换为数学问题这一步。
原理：通过训练集，不断识别特征，不断建模，最后形成有效的模型，这个过程就叫“机器学习”
分类：监督学习，非监督学习，强化学习（剩下的半监督等等都是基于此处创建的）
(1).监督学习：我们给算法一个数据集，并且给定正确答案。机器通过数据来学习正确答案的计算方法。
(2).非监督学习：给定的数据集没有“正确答案”，所有的数据都是一样的。无监督学习的任务是从给定的数据集中，挖掘出潜在的结构。
这俩的区别是：第二个，机器并不知道猫和狗，是将图片分成了两个类别
(3).强化学习：强化学习更接近生物学习的本质，因此有望获得更高的智能。它关注的是智能体如何在环境中采取一系列行为，从而获得最大的累积回报。通过强化学习，一个智能体应该知道在什么状态下应该采取什么行为。
实际操作：收集数据，数据准备，选择模型，训练，评估，参数调整，预测（开始使用）
(1).以超市买的各种酒为例：把所有酒的酒精度，颜色，种类都搞出来
(2).我们准备数据集，训练集等等东西
(3).选择一个模型，比如箱单简单的二维线性模型
(4).训练，将问题转化为数学问题，然后解答数学题的过程，这一步不需要人来操作，主要是调用算法将其转换为数学问题
(5).评估，看看准确率，召回率，F值，如果不知道啥意思可以看这篇准确率，召回率和F值
(6).参数调整：人为调整一些参数让其更加出色。
(7).预测，实际应用
样例
线性回归|监督学习