《機(jī)器學(xué)習(xí)實(shí)踐應(yīng)用》讀書筆記

　　這次的讀書筆記主要介紹機(jī)器學(xué)習(xí)背景和基礎(chǔ)概念

　　1 機(jī)器學(xué)習(xí)背景

　　數(shù)據(jù)現(xiàn)狀

　　20世紀(jì)70年代曾遇巨大瓶頸，原因有計(jì)算能力 + 數(shù)據(jù)量的不足。隨著互聯(lián)網(wǎng)的普及和對(duì)用戶數(shù)據(jù)的大量采集，數(shù)據(jù)量不足的問題已逐漸彌補(bǔ)，機(jī)器學(xué)習(xí)算法的價(jià)值越來越大。但在傳統(tǒng)領(lǐng)域，如建筑行業(yè)，數(shù)據(jù)產(chǎn)生于工地的一磚一瓦，采集起來會(huì)更困難和麻煩，隨著圖像識(shí)別技術(shù)的進(jìn)步和普及，這樣的問題能夠慢慢解決，但不得不說，傳統(tǒng)領(lǐng)域的數(shù)據(jù)智能化仍然是比較慢的進(jìn)程。(這里可以自行了解下百度在傳統(tǒng)領(lǐng)域的AI技術(shù)落地情況)。目前主流的機(jī)器學(xué)習(xí)算法是監(jiān)督學(xué)習(xí)算法，該算法需要的是打標(biāo)過的數(shù)據(jù)，而數(shù)據(jù)的打標(biāo)十分依賴人工標(biāo)記，之前在實(shí)習(xí)的時(shí)候，給短視頻的標(biāo)簽做標(biāo)記都能把我搞得頭昏腦漲。人工打標(biāo)有幾個(gè)問題：成本高 + 量級(jí)小

　　機(jī)器學(xué)習(xí)算法現(xiàn)狀

　　機(jī)器學(xué)習(xí)已滲透到生活的各個(gè)方面，特別是在互聯(lián)網(wǎng)領(lǐng)域。用網(wǎng)購(gòu)場(chǎng)景來舉例。

　　1)你在路上看到陌生人的一件T恤你很喜歡 → 使用淘寶的【拍立淘】(圖像識(shí)別技術(shù))

　　2)在淘寶搜索框語音輸入商品名稱(語音轉(zhuǎn)文字技術(shù))

　　3)商品的個(gè)性化推薦(推薦算法)

　　4)商品下單 → 若錢不夠用 → 借錢 → 貸款額度顯示(由機(jī)器學(xué)習(xí)算法計(jì)算)

　　5)下單后 → 短時(shí)間完成商品包裝、庫存發(fā)貨到中轉(zhuǎn)庫存、從低級(jí)倉庫到高級(jí)倉庫配送、向下分發(fā)(機(jī)器學(xué)習(xí)算法)

　　6)快遞員配送 → 系統(tǒng)設(shè)計(jì)最優(yōu)路線(機(jī)器學(xué)習(xí)算法規(guī)劃)

　　7)商品投訴 → 智能客服立即回復(fù)(文本的語義分析算法，精準(zhǔn)確定問題)

　　以上的過程涉及了模型的訓(xùn)練和預(yù)測(cè)、語義分析、文本情感分析、圖像識(shí)別以及語音識(shí)別技術(shù)

　　機(jī)器學(xué)習(xí)高頻場(chǎng)景

　　1)聚類場(chǎng)景

　　人群劃分和產(chǎn)品種類劃分等

　　2)分類場(chǎng)景

　　廣告投放預(yù)測(cè)和網(wǎng)站用戶點(diǎn)擊預(yù)測(cè)等

　　3)回歸場(chǎng)景

　　降雨量預(yù)測(cè)、商品購(gòu)買量預(yù)測(cè)和股票成交額預(yù)測(cè)等

　　4)文本分析場(chǎng)景

　　新聞標(biāo)簽提取、文本自動(dòng)分類和文本關(guān)鍵信息抽取

　　5)關(guān)系圖算法

　　社交網(wǎng)絡(luò)關(guān)系網(wǎng)絡(luò)關(guān)系挖掘和金融風(fēng)險(xiǎn)控制等

　　6)模式識(shí)別

　　語音識(shí)別、圖像識(shí)別和手寫字識(shí)別

　　總評(píng)

　　機(jī)器學(xué)習(xí)+ 是大趨勢(shì)

　　2 基本概念

　　機(jī)器學(xué)習(xí)流程

　　1)場(chǎng)景解析

　　把業(yè)務(wù)邏輯和算法進(jìn)行匹配

　　2)數(shù)據(jù)預(yù)處理

　　清洗數(shù)據(jù)，將數(shù)據(jù)進(jìn)行歸一化或標(biāo)準(zhǔn)化，減少量綱和噪音。

　　3)特征工程

　　機(jī)器學(xué)習(xí)最重要步驟。在算法固定的情況下，特征的選擇決定了模型的效果

　　4)模型訓(xùn)練

　　訓(xùn)練數(shù)據(jù)經(jīng)過了預(yù)處理 + 特征工程后進(jìn)入訓(xùn)練階段。

　　5)模型評(píng)估

　　對(duì)各模型的預(yù)測(cè)結(jié)果評(píng)估

　　6)離線/在線服務(wù)

　　數(shù)據(jù)源結(jié)構(gòu)

　　1)結(jié)構(gòu)化數(shù)據(jù)

　　矩陣結(jié)構(gòu)存儲(chǔ)，通常包含特征列+目標(biāo)列。機(jī)器學(xué)習(xí)算法通常只支持結(jié)構(gòu)化數(shù)據(jù)

　　2)非結(jié)構(gòu)化數(shù)據(jù)

　　圖像、文本或語音文件，不以矩陣機(jī)構(gòu)存儲(chǔ)，是目前技術(shù)熱點(diǎn)，通常將其轉(zhuǎn)化為二進(jìn)制存儲(chǔ)格式

　　3)半結(jié)構(gòu)化數(shù)據(jù)

　　典型的半結(jié)構(gòu)化數(shù)據(jù)是XML拓展名的存儲(chǔ)數(shù)據(jù)

　　算法分類

　　1)監(jiān)督學(xué)習(xí)

　　有特征值+目標(biāo)隊(duì)列，依賴打標(biāo)，常用于回歸和分類算法

　　2)無監(jiān)督學(xué)習(xí)

　　無目標(biāo)值，不依賴數(shù)據(jù)的打標(biāo)，通常用于聚類算法

　　3)半監(jiān)督學(xué)習(xí)

　　對(duì)樣本的部分進(jìn)行打標(biāo)，一種半監(jiān)督算法 —— 標(biāo)簽傳播算法

　　4)強(qiáng)化學(xué)習(xí)

　　人工智能領(lǐng)域熱點(diǎn)。系統(tǒng)與外界不斷交互，從而決定自身的行為，如無人汽車駕駛和阿法狗下圍棋

　　使用機(jī)器學(xué)習(xí)算法常見問題

　　過擬合問題

　　算法結(jié)果評(píng)估

　　1、精確率、召回率、F1值

　　2、ROC和AUC

　　另外還需要了解的指標(biāo)：TP、FP、TN、FN

　　總評(píng)

　　基礎(chǔ)概念的理解有利于幫助入門

來源：網(wǎng)絡(luò)整理 免責(zé)聲明：本文僅限學(xué)習(xí)分享，如產(chǎn)生版權(quán)問題，請(qǐng)聯(lián)系我們及時(shí)刪除。

《《機(jī)器學(xué)習(xí)實(shí)踐應(yīng)用》讀書筆記》由互聯(lián)網(wǎng)用戶整理提供,轉(zhuǎn)載分享請(qǐng)保留原作者信息,謝謝!
鏈接地址：http://m.taixiivf.com/gongwen/784589.html

• 上一篇：《事實(shí)》讀書筆記
• 下一篇：讀書筆記《一生里的某一刻》