day-6 机器学习概念及应用

　　学习玩Python基础语法，今天开始进行机器学习，首先了解下机器学习和深度学习的一些基本概念和术语：

　　　　1、机器学习概念及应用

　　　　2、深度学习概念及应用

　　　　3、机器学习基本术语及举例

　　　　4、机器学习步骤框架

　　1、机器学习概念及应用

　　　　概念：（Machine Learning, ML)多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。探究和开发一系列算法来如何使计算机不需要通过外部明显的指示，而可以自己通过数据来学习，建模，并且利用建好的模型和新的输入来进行预测的学科。

　　　　应用：语音识别、自动驾驶、语言翻译、计算机视觉、推荐系统、无人机、识别垃圾邮件等。

　　2、深度学习概念及应用

　　　　概念：深度学习是基于机器学习延伸出来的一个新的领域，由以人大脑结构为启发的神经网络算法为起源加之模型结构深度的增加发展，并伴随大数据和计算能力的提高而产生的一系列新的算法。其概念由著名科学家Geoffrey Hinton等人在2006年和2007年在《Sciences》等上发表的文章被提出和兴起。

　　　　应用：深度学习，作为机器学习中延伸出来的一个领域，被应用在图像处理与计算机视觉，自然语言处理以及语音识别等领域。自2006年至今，学术界和工业界合作在深度学习方面的研究与应用在以上领域取得了突破性的进展。以ImageNet为数据库的经典图像中的物体识别竞赛为例，击败了所有传统算法，取得了前所未有的精确度。目前我们使用的Android手机中google的语音识别，百度识图，google的图片搜索，都已经使用到了深度学习技术。Facebook在去年名为DeepFace的项目中对人脸识别的准备率第一次接近人类肉眼（97.25% vs 97.5%)。大数据时代，结合深度学习的发展在未来对我们生活的影响无法估量。保守而言，很多目前人类从事的活动都将因为深度学习和相关技术的发展被机器取代，如自动汽车驾驶，无人飞机，以及更加职能的机器人等。深度学习的发展让我们第一次看到并接近人工智能的终极目标。

　　3、深度学习基本术语及举例

　　　　训练集(training set/data)/训练样例（training examples): 用来进行训练，也就是产生模型或者算法的数据集

　　　　测试集(testing set/data)/测试样例 (testing examples)：用来专门进行测试已经学习好的模型或者算法的数据集

　　　　特征向量(features/feature vector)：属性的集合，通常用一个向量来表示，附属于一个实例

　　　　标记(label): c(x), 实例类别的标记

　　　　正例(positive example)

　　　　反例(negative example)

　　　　分类 (classification): 目标标记为类别型数据(category)

　　　　回归(regression): 目标标记为连续性数值 (continuous numeric value)

　　　　有监督学习(supervised learning)： 训练集有类别标记(class label)

　　　　无监督学习(unsupervised learning)： 无类别标记(class label)

　　　　半监督学习（semi-supervised learning)：有类别标记的训练集 + 无标记的训练集

　　例子：研究肿瘤良性，恶性于尺寸，颜色的关系

　　特征值：肿瘤尺寸，颜色

　　标记：良性/恶性

　　4、机器学习步骤框架

　　　　A）把数据拆分为训练集和测试集

　　　　B）用训练集和训练集的特征向量来训练算法

　　　　C）用学习来的算法运用在测试集上来评估算法（可能要设计到调整参数（parameter tuning), 用验证集（validation set）