主要内容
机器学习、深度学习与相关实例概述
机器学习的角度看数学
- 数学分析： 导数与梯度、Taylor展式的应用
- 概率论基础：古典概型、频率学派与贝叶斯学派、常见概率分布、Sogmoid/Logistic函数的引入
Python简介
机器学习
机器学习的对象：一个或多个的任务T，经验E，性能度量方案P
对于某个T，在合理的P下，计算机可以自主学习T的E，并随合适优质大量的E，该程序对T的性能逐步提高。即任务不断执行，经验的积累提升了计算机性能
一般来说，人工智能、机器学习与深度学习的关系为：AL>ML>DL
人类的学习：
- 有监督学习：有标签
- 无监督学习：无标签，分成一簇簇
- 半监督学习有一部分数据有标签，
- 增强学习(强化学习)：State-Action-Reward序列，如踢球、走路
- 迁移学习：如神经网络前面学习率调低，后面学习率调高
机器学习步骤:
- 建模（抽取特征+ 算法）
- 预测（可能进行建模-预测的迭代）
一般流程(可类比烹饪)：数据收集-> 数据清洗-> 特征工程-> 数据建模
Python
简介：1989年诞生，开源、简单、强大，“胶水语言”
python解释器:
python2与Python3的语法大有不同
Package:
- Python包：
-
numpy： FFT/Gaussian/LSQ/SVD
np.arange的类型是ndarray数组:
image.png
-
pandas(封装Numpy)：Dataframe/Series(Excel/csv/tcv)
-
scipy：作科学计算
-
matplotlib：绘制
-
scikit-learn：作机器学习
-
TensorFlow(Kerse封装tf与Theano)/pytorch/Theano/Caffe/PandlePandle DL
- 安装:
pip install … (from pypi.org)
pip list查看已安装过的包
IDE:
- anaconda安装后将python解释器和常用python包都准备好
- Pycharm: 专业版(多网页制作功能，收费)和社区版(免费)
在软件中配置解释器
实例
使用python numpy库绘制x**x图像
# X**X图像
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 1, 100) # 之间有最小值e^-(e^-1)
x2 = np.linspace(0, 5, 100)
y = x ** x
plt.plot(x, y, 'r-', mec = 'k')
x2 = np.linspace(0, 5, 100)
plt.plot(x2, y, 'b-', mec = 'k')
plt.show()
0~1之间存在最小值，图像如下：
image.png
网友评论