机器学习算法&Jupyter Notebook&机器学习术语

一、监督学习Supervised learning

1. 学习方式：
   • 通过给定标注好的训练数据集进行学习
2. 干什么：
   • 学习一个模型，使得对于新输入的数据，能够正确预测或分类其输出
3. 关键特征：
   • 给予了学习算法示例（包含正确答案）
   • 每个示例都与输出标签相关联
4. 类型：
   • 回归：
     • 干什么：
       • 预测数字（数字有无限种可能）
   • 分类：
     • 干什么：
       • 预测类别或划分类别（所有可能的输出都会成为一个小组）
5. 监督学习的过程（借助线性回归模型说明）：
   • 向监督学习算法中输入一个数据集，学习输入特征和输出目标
   • 算法产生功能函数f/模型
     • 表示：（w,b：模型的参数/系数/权重，一些可调整的变量）
     • 工作：
       • 获取一个新的输入x，输出预测y-hat(一个具有小帽子符号的y)
     • 如何实现线性回归
       • 先构造一个成本函数：
         • 成本函数/平方误差成本函数：
           
         • 如何使用一个成本函数来为模型找到最佳参数：梯度下降算法

二、无监督学习Unsupervised learning

1. 学习方式：
   • 通过没有标注好的训练数据集进行学习
2. 干什么：
   • 对未标记数据的学习来发现数据中的模式和结构，决定数据可以分配给哪个组或集群
3. 关键特征：
   • 数据仅带有输入x，没有输出标签y
   • 算法必须找到数据中的某种结构或某种模式或某些有趣的东西
4. 类型：
   • 聚类：
     • 将未标记的数据放置在不同的集群
   • 异常检测：
     • 检测异常事件
   • 降维：
     • 可将一个大数据集压缩得到一个小得多的数据集，并且信息丢失得尽可能少

三、Jupyter Notebook

1. 是什么：
   • 机器学习领域中一种重要的工具和环境
2. 应用于：
   • 数据探索、模型构建和训练、实验复现和结果分享
3. 能做什么：
   • Jupyter Notebook提供了一个交互式的编程环境，在该环境中运行代码块时，可以实时观察到数据可视化和模型训练结果，快速迭代并调整模型参数
   • 集成了许多常用的机器学习库和框架，用户能够在Notebook中直接使用这些工具来构建和训练机器学习模型，就不需要切换到其他编程环境
   • Jupyter Notebook能与高性能计算集群或云计算平台结合使用，能够更高效地完成大规模数据分析和机器学习任务
4. 如何安装：
   • Jupyter Notebook介绍、安装及使用教程

四、机器学习术语：

1. 训练集：用于训练模型的数据集
   • 组成：
     • x：输入变量/特征/输入特征
     • y：输出变量y/目标变量
       • 是什么：
         • 我们将从中学习的模型的正确答案
2. m：训练样本的总数
3. (x,y)：单个训练样例
   • x,y右上角加上(i)：第i个训练样例