本教程的知识点为：机器学习（常用科学计算库的使用）基础定位 机器学习概述 机器学习概述 1.5 机器学习算法分类 1 监督学习 机器学习概述 1.7 Azure机器学习模型搭建实验 Azure平台简介 Matplotlib 3.2 基础绘图功能 — 以折线图为例 1 完善原始折线图 — 给图形添加辅助功能 Matplotlib 3.3 常见图形绘制 1 常见图形种类及意义 Numpy 4.2 N维数组-ndarray 1 ndarray的属性 Numpy 4.4 ndarray运算 问题 Pandas 5.1Pandas介绍 1 Pandas介绍 Pandas 5.3 基本数据操作 1 索引操作 Pandas 5.6 文件读取与存储 1 CSV Pandas 5.8 高级处理-数据离散化 1 为什么要离散化 Pandas 5.12 案例 1 需求

全套笔记资料代码移步： 前往gitee仓库查看

感兴趣的小伙伴可以自取哦~

全套教程部分目录：

部分文件图片：

机器学习概述

学习目标

• 了解人工智能发展历程
• 了解机器学习定义以及应用场景
• 知道机器学习算法监督学习与无监督学习的区别
• 知道监督学习中的分类、回归特点
• 知道机器学习的开发流程

1.5 机器学习算法分类

学习目标

• 了解机器学习常用算法的分类

根据数据集组成不同，可以把机器学习算法分为：

• 监督学习

• 无监督学习

• 半监督学习

• 强化学习

1 监督学习

• 定义：

• 输入数据是由输入特征值和目标值所组成。

  • 函数的输出可以是一个连续的值(称为回归），
  • 或是输出是有限个离散值（称作分类）。

1.1 回归问题

例如：预测房价，根据样本集拟合出一条连续曲线。

1.2 分类问题

例如：根据肿瘤特征判断良性还是恶性，得到的是结果是“良性”或者“恶性”，是离散的。

2 无监督学习

• 定义：

• 输入数据是由输入特征值组成，没有目标值

  • 输入数据没有被标记，也没有确定的结果。样本数据类别未知；
  • 需要根据样本间的相似性对样本集进行类别划分。

举例：

​

• 有监督，无监督算法对比：

3 半监督学习

• 定义：

• 训练集同时包含有标记样本数据和未标记样本数据。

举例：

• 监督学习训练方式：

• 半监督学习训练方式

4 强化学习

• 定义：

• 实质是make decisions 问题，即自动进行决策，并且可以做连续决策。

举例：

小孩想要走路，但在这之前，他需要先站起来，站起来之后还要保持平衡，接下来还要先迈出一条腿，是左腿还是右腿，迈出一步后还要迈出下一步。

小孩就是 agent，他试图通过采取行动（即行走）来操纵环境（行走的表面），并且从一个状态转变到另一个状态（即他走的每一步），当他完成任务的子任务（即走了几步）时，孩子得到奖励（给巧克力吃），并且当他不能走路时，就不会给巧克力。

主要包含五个元素：agent, action, reward, environment, observation；

强化学习的目标就是获得最多的累计奖励。

监督学习和强化学习的对比

拓展概念：什么是独立同分布：

独立同分布概念

拓展阅读：Alphago进化史 漫画告诉你Zero为什么这么牛：

[

5 小结

1.6 模型评估

学习目标

• 目标

• 了解机器学习中模型评估的方法

• 知道过拟合、欠拟合发生情况

模型评估是模型开发过程不可或缺的一部分。它有助于发现表达数据的最佳模型和所选模型将来工作的性能如何。

按照数据集的目标值不同，可以把模型评估分为分类模型评估和回归模型评估。

1 分类模型评估

• 准确率

• 预测正确的数占样本总数的比例。

• 其他评价指标：精确率、召回率、F1-score、AUC指标等

2 回归模型评估

均方根误差（Root Mean Squared Error，RMSE）

• RMSE是一个衡量回归模型误差率的常用公式。 不过，它仅能比较误差是相同单位的模型。

举例：

假设上面的房价预测，只有五个样本，对应的
真实值为：100,120,125,230,400
预测值为：105,119,120,230,410

那么使用均方根误差求解得：$RMSE=\sqrt[2]{\frac{[(100-105)^2+(120-119)^2+5^2+0^2+10^2]}{5}} =5.495$