一、人工智能的发展

⼈⼯智能不是“模仿⼈类”，⽽通常是“远超⼈类”
人工智能的三次浪潮

• 1956 Artificial Intelligence提出
• 1950-1970 符号主义流派：专家系统占主导地位
  —1962：IBM 的跳棋程序战胜人类高手（人工智能第一次浪潮）
• 1980-2000统计主义流派：主要用统计模型解决问题
  —1997：IBM 深蓝战胜象棋选手卡斯帕罗夫（人工智能第二次浪潮）
• 2010-至今神经网络、深度学习、大数据流派
  — 2016：Google AlphaGO 战胜围棋选手李世石（人工智能第三次浪潮）
  人工智能的热门方向：
  
  如今的人工智能
  

二、人工智能概念区别和联系

机器学习是人工智能的一个分支，深度学习是实现机器学习的一种技术。

三、数据分析、数据挖掘和机器学习的关系

• 数据：即观测值,如测量数据；
• 信息：可信的数据；
• 数据分析：从数据到信息的整理、筛选和加工过程 ；
• 数据挖掘：对信息进行价值化的分析；

机器学习是一种方法，数据挖掘是一件事情，还有一个相似的概念就是模式识别，这也是一件事情。 而现在流行的深度学习技术只是机器学习的一种，机器学习和模式识别都是达到人工智能目标的手段之一。对数据挖掘而言，数据库提供数据管理技术，机器学习和统计学提供数据分析技术。

四、机器学习概念

机器学习，它致力于研究如何通过计算（CPU和GPU计算）的手段，利用经验来改善 （计算机）系统自身的性能。

机器学习所研究的主要内容：

• 在计算机上从数据中产生“模型（model）”算法(学习算法)
• 数据+机器学习算法=机器学习模型

概念学习：从有关某个布尔函数(是或否)的输入输出训练样例中推断出该布尔函数。
分类(classification)：目标标记为类别型数据。
回归(regression)：目标标记为连续性数值。

五、基于规则与基于模型的学习

1、基于规则的学习

2、基于模型的学习

六、机器学习数据集

• 样本：数据集的行；
• 特征或属性：数据集的列（除最后一列）；
• 标签：数据集的最后一列；
• 特征(属性)空间：由特征张成的属性空间；
• 特征向量：构成特征空间的每一行的特征数据；
• 训练数据：由输入x(特征)和输出r (标签)构成；
• 训练 ：从训练数据中学得模型的过程叫做“学习”或“训练”；
• 测试样本：被预测的样本数据，由测试数据和类标签构成；
• 测试数据：仅有输入的x构成，根据模型得到预测Label信息；
• 预测：学习完模型之后，由测试数据代入模型进行预测得到预测值；
• 误差：预测值与真实值的差距；
• 特征转换：将非数值的特征转化为数值。

预测值与真实值的差距的评价——混淆矩阵

• 准确率：Accuracy = TP+TN/ALL
• 精确率：Precision = TP/(TP+FP)
• 召回率：Recall = TP/ (TP+FN)
• 假正率：FPR(False negtive rate) = FP/ (FP+TN)
• F1值（F1-Score）：精确率和召回率的调和平均
  —F1 score=2/(1/Precision+1/Recall)=2Precisionrecall/ (Recall+Precision)
• ROC曲线（受试者工作曲线）：AUC(Area under Cruve)
  

七、机器学习分类

1、监督学习
训练数据集中的每个样本均有一个已知的输出项(类标label)。

2、无监督学习
人们给机器一大堆没有分类标记的数据，让机器可以对数据分类、检测异常等。

3、半监督学习
半监督学习就是提供了一条利用“廉价”的未标记样本的途径。

4、强化学习
机器学习的一个重要分支,主要用来解决连续决策的问题。

5、迁移学习
解决小数提集和个性化问题。

总结：

八、机器学习三要素

机器学习 = 模型+策略+算法
1、模型
模型通常分为决策函数或条件概率分布。

• 由决策函数表示的模型为非概率模型
  
• 由条件概率分布表示的模型为概率模型
  
  2、策略
  评估模型的好坏，使用损失函数来进行度量，模型给出的值与实际真实值存在的差别。
  损失函数度量模型一次预测的好坏，常用的损失函数有：
  
  经验风险：
  
  结构风险：
  
  结构风险最小化：
  
  3、算法:
  机器学习的算法就是求解最优化问题的算法。如果最优化问题有显示的解析解，这个最优化问题就比较简单，但通常这个解析解不存在，所以就需要利用数值计算的方法来求解。机器学习可以利用已有的最优化算法，也可以开发独自的最优化算法。

九、构建机器学习系统

• 首先明确：
  —该问题是否为机器学习问题?
  —该问题是机器学习哪方面的问题?一监督学习、无监督学习
• 当拿到故据之后从下面两个角度思考问题:
  —从数据角度思考：
  根据具备的数据看能够做监督学习or无监督学习or半监督学习
  —从业务的角度思考：
  根据业务部门指定的业务方向，整理数据，从而建模
• 特征工程：
  —对特征处理
  —对数据的处理
• 数据+选择的算法=>模型
• 通过测试集测试模型，给定最终模型
• 如果有新数据，通过模型给出预测结果

十、模型的选择

模型的泛化能力
模型具有好的泛化能力指的是，模型不但在训练数据集上表现的效果很好，对于新数据的适应能力也有很好的效果。
1、欠拟合
模型在训练数据集上以及测试的效果都差。

• 产生的原因：模型过于简单。
• 出现的场景：欠拟合一般出现在机器学习模型刚刚训练的时候。
• 解决办法:
  (1)添加其他特征项；
  (2)添加多项式特征；
  (3)减少正则化参数。
  2、过拟合
  模型在训练集上的效果很好，但是测试效果很差。
• 产生的原因：可能是模型太过于复杂、数据不纯、训练数据太少等造成。
• 出现的场景：当模型优化到一定程度,就会出现过拟合的情况。
• 解决办法:
  (1)重新清洗数据
  (2)增大训练的数据量
  (3)采用正则化方法对参数施加惩罚：常用的有L1正则和L2正则
  (4)采用dropout方法，即采用随机采样的方法训练模型，常用于神经网络算法中。
  奥卡姆剃刀原则
  给定两个具有相同泛化误差的模型，较简单的模型比较复杂的模型更可取。
  

十一、正则化

经验风险较小的模型可能较复杂，这时正则化项的值会较大，正则化的作用是选择经验风险与模型复杂度同时较小的模型。
模型选择的典型方法是正则化，正则化的一般形式如下：

其中，第一项是经验风险，第二项是正则化项，正则化项可以取不同的形式。
L1范数：

L2范数：

十二、交叉验证

在机器学习中常用的精度测试方法叫做交叉验证。它的目的是得到可靠稳定的模型，具体做法是拿出大部分数据进行建模，留小部分样本用刚刚建立的模型进行预测，并求出这小部分样本预测的误差，交叉验证在克服过拟合问题上非常有效。
1、简单交叉验证
随机从最初的样本中选择部分形成验证数据，而剩下的当作训练数据。一般来说，被选作验证的数据少于三分之一。
2、K则交叉验证
K折交叉验证就是把样本分为K份，其中K-1份用来做训练建立模型，留剩下的一份来验证，交叉验证重复K次，每个子样本验证一次。
3、留一验证
留一验证只使用样本数据中的一项当作验证数据，而剩下的全作为训练数据，一直重复直到所有的样本都作验证数据一次。可以看出留一验证实际上就是K折交叉验证，只不过这里的K有点特殊，K为样本数据个数。