目录

1. 人工智能

科学计算库：

机器学习算法：

2. 人工智能发展历程

图灵测试：

达特茅斯会议：

3. 人工智能的主要分支

人工智能、机器学习和深度学习：

4. 人工智能发展必备三要素

数据：

算法：

计算力：

5. 机器学习工作流程

什么是机器学习：

工作流程：

结构化数据和非结构化数据：

数据基本处理：

特征工程：

6. 机器学习算法分类

监督学习：

无监督学习：

无监督学习：

强化学习：

7. 分类模型评估

准确率：

精确率：

召回率：

F1-score：

AUC指标：

8. 回归模型评估

9. 拟合

10. 总结

---

1. 人工智能

科学计算库：

MATPLOTLIB：数据可视化

NUMPY：数组计算

PANDAS：处理数据集

机器学习算法：

有监督算法，无监督算法

2. 人工智能发展历程

图灵测试：

测试者与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。多次测试（一般为5min之内），如果有超过30%的测试者不能确定被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能

达特茅斯会议：

人工智能的起点，1956年被称之为人工智能元年

3. 人工智能的主要分支

人工智能、机器学习和深度学习：

机器学习是人工智能的一个实现途径，深度学习是机器学习的一个方法发展而来的

4. 人工智能发展必备三要素

数据：

学习规律的例子

算法：

解决问题的思路

卷积网络：处理图像任务

循环神经网络：处理序列（时序）任务

计算力：

让模型去学习和计算，参数量大

CPU：单核心强，能够应付各种不同的任务，串行任务，一般4核、8核

GPU：早期是图形卡（显卡），针对的是同类型并行的任务，一般2000核以上，大大缩减模型训练的时间

5. 机器学习工作流程

什么是机器学习：

机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测

工作流程：

（1）获取数据，完整的数据集

（2）数据基本处理

（3）特征工程

（4）机器学习（模型训练），训练模型的数据（训练集）

（5）模型评估，测试模型用到的数据集（测试集）

结构化数据和非结构化数据：

结构化数据：机器学习阶段用到的数据集类型，表格数据

非结构化数据：深度学习阶段，图片、语音、文字数据

数据基本处理：

对数进行缺失值、异常值处理

特征工程：

特征提取，特征预处理（数据去量纲化），特征降维（减少特征数量，同时保留原数据的大部分信息）。

6. 机器学习算法分类

监督学习：

输入数据是由特征值和目标值所组成的。输出离散（分类），输出连续（回归）。

无监督学习：

训练数据只包含特征值。

无监督学习：

训练集同时包含有标记样本数据和未标记样本数据。

强化学习：

没有训练数据，建立模型的时候人为设定好模型可以操作的规则，不断自我尝试，自己探索。

7. 分类模型评估

准确率：

预测正确的数占样本总数的比例。

精确率：

正确预测为正占全部预测为正的比例。

TP/（TP+FP）

召回率：

正确预测为正占全部正样本的比例。

TP/（TP+FN）

F1-score：

评估模型的稳健性。

2*精确率*召回率/（精确率+召回率）。越大越好。

AUC指标：

评估样本不均衡的情况。越大越好。

8. 回归模型评估

均方根误差（RMSE），相对平方误差（RSE），平均绝对误差（MAE），相对绝对误差（RAE），决定系数。

9. 拟合

欠拟合，过拟合

10. 总结

（1）获取数据

（2）数据基本处理

（3）特征工程

（4）机器学习（模型训练）

（5）模型评估

机器学习免费服务：https://studio.azureml.net/

UCI机器学习数据库网址：https://archive.ics.uci.edu/ml/datasets/census+income