本文主要向大家介绍了机器学习入门之TensorFlow工具快速入门教程2机器学习简介，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

机器学习介绍

机器学习是一个系统，可以通过自我改进从实例中学习，而不需要程序员明确编码。机器学习将数据与统计工具相结合以预测输出。机器学习与数据挖掘和贝叶斯预测建模密切相关。机器接收数据作为输入，使用算法来制定答案。

典型的机器学习任务是提供推荐。对于拥有Netflix帐户的用户，所有电影或系列推荐都基于用户的历史数据。科技公司正在使用无监督学习来改善个性化推荐的用户体验。

机器学习还用于各种任务，如欺诈检测，预测维护，投资组合优化，自动化任务等。

机器学习与传统编程

在传统的编程中，程序员在与正在开发软件的行业专家协商时编写所有规则。每条规则都基于逻辑，机器将按逻辑语句执行输出。当系统变得复杂时，需要编写更多规则，很难维护。

图片.png

机器学习输入和输出提炼规则。每当有新数据时，算法根据新数据和经验进行调整，以提高效率。

图片.png

机器学习如何运作？

机器学习的方式与人类相似，从经验中学习。机器学习的核心目标是学习和推理。首先，机器通过发现模式来学习。这一发现归功于数据。数据科学家的一个关键部分是仔细选择要为机器提供哪些数据。用于解决问题的属性列表称为特征向量。您可以将特征向量视为用于解决问题的数据子集。

机器使用一些奇特的算法来简化现实并将此发现转换为模型。因此，学习阶段用于描述数据并将其概括为模型。

图片.png

例如，机器试图了解个人工资与去高档餐馆的可能性之间的关系。事实证明，工资与去高端餐厅之间为正比：这就是模型。

推理

构建模型时，可以测试它在以前从未见过的数据上的能力。将新数据转换为特征向量，遍历模型并进行预测。无需更新规则或再次训练模型。您可以使用先前训练过的模型来推断新数据。

图片.png

机器学习程序的生命周期：

定义问题；收集数据；可视化数据；训练算法；测试算法；收集反馈；优化算法；循环4-7次直到结果令人满意；使用模型进行预测

机器学习算法

图片.png

机器学习分类：监督和非监督及半监督。

监督学习

有两种监督学习：

分类任务

要预测客户性别。您将开始从数据库收集有关身高，体重，工作，工资，采购篮等的数据。您知道每个客户的性别，它只能是男性或女性。分类器的目的是根据信息（即您收集的特征）分配男性或女性（即标签）的概率。当模型学习如何识别男性或女性时，您可以使用新数据进行预测。例如，您刚收到来自未知客户的新信息，并且您想知道它是男性还是女性。如果分类器预测男性= 70％，则意味着算法确定该客户是男性的70％，而30％是女性。

标签可以是两个或更多个类。上面的例子只有两个类，但是如果分类器需要预测对象，它有几十个类（例如，玻璃，桌子，鞋等，每个对象代表一个类）

回归任务

当输出是连续值可以用回归。例如，金融分析师可能需要根据股票，先前股票表现，宏观经济指数等特征来预测股票价值。系统将接受训练，以估算出可能出现最低误差的股票价格。

算法

描述

类型

线性回归    找到将每个特征与输出相关联的方法    回归    

逻辑回归    线性回归的扩展。输出变量只有两个（例如，仅黑色或白色）    分类    

决策树    高度可解释的分类或回归模型，将数据特征值拆分为决策节点处的分支（例如颜色，每种可能的颜色成为新分支），直到做出最终决策输出    回归分类    

朴素贝叶斯    用可影响事件的每个特征的独立概率更新事件的先验知识。    回归分类    

支持向量机    SVM(Support Vector Machine)算法找到最佳划分类的超平面。它最适合与非线性求解器一起使用。    回归(非常见)分类    

随机森林    基于决策树之上，可以大大提高准确性。随机森林生成很多次简单的决策树，并使用“多数投票”方法来决定返回哪个标签。对于分类任务，最终预测将是投票最多的;而对于回归任务，所有树的平均预测是最终预测。    回归分类    

AdaBoost    分类或回归技术，使用多种模型做出决策，但根据其预测结果的准确性对其进行权衡。    回归分类    

梯度增强树    先进的分类/回归技术。它专注于先前树所犯的错误并尝试纠正它。    回归分类    

非监督学习

算法探索输入数据而不给出明确的输出（例如，探索客户人口统计数据以识别模式）

当您不知道如何对数据进行分类时，您可以使用它，并且您希望算法找到模式并为您分类数据

算法

描述

类型

K均值聚类 |将数据放入某些组 (k)，每组包含具有相似特征的数据（由模型确定，而不是由人类预先确定） |聚类

高斯混合模型 |k-means聚类的泛化，为组（簇）的大小和形状提供了更大的灵活性 |聚类

分层聚类 |沿分层树拆分群集以形成分类系统。可用于群集会员卡客户 |聚类

推荐系统 |帮助定义相关数据 |聚类

PCA / T-SNE |主要用于降低数据的维度。算法将特征数量减少到3或4个具有最高方差的向量。 |尺寸减小

如何选择机器学习算法

有很多机器学习算法。算法的选择基于目标

图片.png

在下面的例子中，任务是预测三个品种中的花的类型。预测基于花瓣的长度和宽度。图片描绘了十种不同算法的结果。左上角的图片是数据集。数据分为三类：红色，浅蓝色和深蓝色。有一些分组。例如，从第二张图像开始，左上角的所有内容都属于红色类别，中间部分则是不确定性和淡蓝色的混合，而底部则对应于深色类别。其他图像显示了不同的算法以及它们如何尝试对数据进行分类。

机器学习的挑战与局限

机器学习的主要挑战是缺乏数据或数据集的密度。建议每组至少观察20次，以帮助机器学习。这种约束导致评估和预测不良。

机器学习的应用

增强：

帮助人们完成日常任务，无论是个人还是商业，都无需完全控制输出。机器学习以不同的方式使用，例如虚拟助手，数据分析，软件解决方案。主要用户是减少由于人为偏见造成的错误。

自动化：

机器学习可在任何领域完全自主工作，无需任何人为干预。例如，机器人在制造工厂中执行基本工艺步骤。

金融业

机器学习在金融业中越来越受欢迎。银行主要使用ML来查找数据中的模式，同时也防止欺诈。

政府组织

政府利用ML来管理公共安全和公用事业。以中国为例，面对大规模的人脸。政府使用人工智能来防止中国式过马路。

医疗行业

医疗保健是第一个使用机器学习和图像检测的行业之一。

营销

在海量数据时代之前，研究人员开发了贝叶斯分析等高级数学工具来估算客户的价值。随着数据的蓬勃发展，营销部门依靠AI来优化客户关系和营销活动。

机器学习在供应链中的应用实例

机器学习为视觉模式识别提供了极好的结果，为整个供应链网络中的物理检查和维护开辟了许多潜在的应用。

无监督学习可以快速搜索不同数据集中的可比模式。反过来，机器可以在整个物流中心进行质量检查，运输时有损坏和磨损。

例如，IBM的Watson平台可以确定运输容器损坏。 Watson将基于视觉和系统的数据结合起来，实时跟踪，报告和提出建议。

在过去一年中，仓库经理广泛依赖于评估和预测库存的主要方法。在结合大数据和机器学习时，已经实施了更好的预测技术（比传统预测工具提高了20％到30％）。就销售而言，这意味着由于库存成本可能降低而增加2％至3％。

机器学习谷歌汽车的例子

Google汽车车顶上装满了激光，告诉它周围区域的位置。它前面有雷达，可以通知汽车周围所有车辆的速度和运动。它利用所有这些数据不仅弄清楚如何驾驶汽车，而且还要弄清楚并预测汽车周围的潜在驾驶员将会做些什么。令人印象深刻的是，该车每秒处理几乎1千兆字节的数据。

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！