机器学习思维导图

什么是机器学习

机器学习是人工智能的一个分支。 从关注“推理”到关注“知识”再关注“学习”，人工智能的研究是自然而清晰的脉络。 机器学习是实现人工智能的一种方式，即使用机器学习作为解决人工智能问题的手段。 机器学习算法是一类算法，可自动分析数据以获得定律(模型)并使用定律预测未知数据

为什么需要机器学习

在21世纪，机器学习再次引起了人们的关注，而在这些担忧背后的是整个环境的变化，我们的数据量不断增加，硬件越来越强大。 迫切需要解放人们的生产力并自动查找数据定律。 解决更多专业领域的问题。 机器学习已广泛用于数据挖掘，计算机视觉，自然语言处理，生物识别，搜索引擎，医学诊断，信用卡欺诈检测，股票市场分析，DNA序列测序，语音和手写识别，战略游戏和机器人技术。

机器学习思维导图

　　开发机器学习应用程序的步骤

(1)收集数据

我们可以使用许多方法来收集样本防护装备，例如：使Web爬网程序从网站中提取数据，从RSS反馈或API中获取信息，以及设备发送的测量数据。

(2)准备输入数据

获取数据后，还必须确保数据格式符合要求。

(3)输入数据分析

此步骤的主要作用是确保数据集中没有垃圾数据。 如果您使用的是受信任的数据源，则可以直接跳过此步骤

(4)训练算法

机器学习算法实际上是从这一步骤开始学习的。 如果使用无监督学习算法，则由于没有目标变量值，因此无需训练该算法。 与算法有关的所有内容均在步骤(5)中

(5)测试算法

该步骤实际上将使用在步骤(4)中通过机器学习获得的知识信息。 当然，您还需要在此处评估结果的准确性，然后根据需要重新训练算法

(6)使用算法

转换为应用程序以执行实际任务。 验证以上步骤在实际环境中是否可以正常工作。 如果遇到新的数据问题，还需要重复上述步骤

环境准备

我们本次机器学习的课程使用的python程序库：

Numpy、Scikit-learn

在ubuntu或者mac操作系统中，在虚拟环境中安装:

pip3 install Numpy

pip3 install Scikit-learn

Numpy是一个强大的高级数学运算的工具库，还具备非常搞笑的向量和矩阵运算功能。Scikit-learn是一个基于python的机器学习库，封装了大量经典以及最新的机器学习模型。

我们应该怎么做

互联网公司机器学习工作、数据挖掘工程师们工作内容是什么?

研究各种算法，设计高大上模型?

深度学习的应用，N层神经网络?

…

大部分复杂模型的算法精进都是数据科学家在做

大多数程序员

跑数据，各种map-reduce，hive SQL，数据仓库搬砖

数据清洗，数据清洗，数据清洗

分析业务，分析case，找特征

常用算法跑模型

机器学习思维导图