机器学习线路图:
扎实的数学功底是机器学习的基础,然后就是机器学习典型的方法、算法,最后就是动手编程(Python),动手实践代码编写,如果想要积累实际的项目经验,最好要参加一些数据科学竞赛。
本文主要内容:
机器学习基础:机器学习的分类与一般思路
微积分基础:泰勒公式、导数与梯度
概率与统计基础:概率分布、常见分布、常见统计量
线性代数基础:矩阵乘法的几何意义
机器学习的其他名称:
模式识别、数据挖掘、统计学习、计算机视觉、语音识别、自然语言处理等都属于机器学习的范畴。
后三项(计算机视觉、语音识别、自然语言处理)为机器学习结合具体的知识产生的比较专业的一个领域:如,无人驾驶汽车,采集大量的公路照片,通过图像识别,来判断路况以及如何驾驶和躲避危险。
机器学习的知识框架:
Hacking skills :为计算机基础、编程基础
Substantive Expertise :为相应领域的专业知识
Math & Statistics Knowledges :数学和统计知识、机器学习的算法
如果只是懂懂编程,也有相应领域的专业知识,但是缺乏数学和统计知识,就会非常危险,下图中对应的区域为:Danger Zone!
机器学习的分类:
监督学习:分类是判断具体属于哪一类,是离散的;回归是连续的,比如说房价