我不是计算机专业，第一次接触机器学习还是在研一的时候，当时是看到机器学习可以做号码识别，就觉得好厉害，想学这个。

首次了解到Python这门语言，知道了机器学习可以做什么后，就感觉打开了新世界一样。再后来也就开始学习Python、学习机器学习。

到现在也积累了一些经验，总结了一下分享给大家作学习参考。

机器学习基础信息

概念

我们人在面对一个新的问题的时候，会想到用我们已有经验总结出来对的规律解决这个问题。而机器学习要做的事情也差不多，在面对一个新问题的时候，机器从已有的历史数据总结出一个规律，套用在新问题上，进而解决这个问题。

机器学习和人学习的过程用下面这个图片表达：

机器学习定义：“A computer program is said to learn from experience E with respect to some class of tasksT and performance measureP if its performance at tasks inT, as measured by P, improves with experience E ”

翻译过来是：“一个电脑程序要完成任务（T），如果电脑获取的关于T的经验（E）越多就表现（P）得越好，那么我们就可以说这个程序‘学习’了关于T的经验。”

简单理解为是机器学习从历史数据中提取规律（特征），总结训练出模型，并对新数据做出预测。

机器学习与人工智能、深度学习的关系

三者之间的关系是逐层递减的，可以用下面这个图片来理解：

机器学习应用方向

机器学习的应用面很广，在我们的生活中已经有很多方面都有相关的应用。比如：**聊天机器人、人脸识别、垃圾邮箱拦截、语言翻译、计算机视觉、自然语言处理、数据挖掘**等方面。

除了这些应用，还有现在出现的各种大模型也多是基于机器学习框架生成的。例如现在火遍全球的大模型，OpenAI表示大模型使用了一种名为“利用人类反馈强化学习”（RLHF）的机器学习技术进行训练的。

大模型作为当前全球热门技术，会给我们的生活带什么样的影响？想要在这波红利中给自己带来更多收益，要学习哪些技能？推荐大家看看在线推出的**【程序员的AI大模型进阶之旅】公开课**，行业大佬带你了解最新技术，提升自己认知。这些公开课还推出两大福利:AI 大模型资料包；无需翻墙的好用AI工具名称和网址，帮助你快人一步。微信扫描下方二维码即可免费领取：

机器学习学习内容

机器学习三要素

三要素即为数据、模型、算法。三者贯穿机器学习整个过程，缺一不可。

机器学习是由数据驱动的，这些数据都是收集到的客观可量化数据；模型则是机器学习中采用什么样的模型或者说方法进行预测和拟合；算法可以理解为一个优化的过程，最终确定最优模型。

机器学习分类

机器学习可以分为监督学习、无监督学习、强化学习。

监督学习

通过有数据标签的数据进行训练，一般可以有回归和分类两类方式。
监督学习的算法主要有：线性回归、逻辑回归、支持向量机、决策树、随机森林、K-近邻、朴素贝叶斯、AdaBoost、梯度提升树、神经网络。
无监督学习

没有数据标签对的数据进行训练，这类方法的目标是找到数据集底层联系，有聚类和关联两类。
无监督学习的算法主要有：K-均值聚类、层次聚类、DBSCAN、主成分分析、独立成分分析、t-SNE。

强化学习

强化学习通过智能体与环境的交互和反馈，学习到最优的策略来最优化奖励。

强化学习的算法主要有：Q-学习、SARSA、深度Q网络、策略梯度方法、Actor-Critic 方法、Proximal Policy Optimization。

机器学习流程

1.收集数据

2.数据预处理：主要包括缺失值处理、异常值处理、重复值处理等。

3.训练模型：对经过预处理后的数据进行模型训练，结合自己的目的（分类、回归、聚类等）选择合适的训练方式。

4.模型评估：通过训练好的模型对数据测试集进行测试，通过评估指标来评价训练模型的好坏，一般评估指标有准确率、查准率、查全率、均方根误差、ROC 和 AUC等。

5.优化：这个也可以叫做调参过程，通过找到最好的参数可以让模型的性能提高一大截，有传统的手工调参、网格搜索、随机搜索、贝叶斯搜索等方法。

6.预测：最后一步，这是对新数据或新样本的推断或预测。

机器学习需要那些知识

学好机器学习需要有一定的数学基础和计算机编程基础。总结一下，学机器学习需要下面这几方面知识：

数学基础：机器学习中很多方面都设计到了数学知识，较好的数学知识可以在理解和应用机器学习中发挥积极的作用，一般包括线性代数、微积分、概率论和统计学等。

编程基础：这个是肯定的了，只有一定的编程基础，才能看得懂、用得了、写得好算法。现在常说的是Python，此外C++或java也可以。

了解数据结合和算法：算法涉及到了很多数据结构，如图、树、排序等，掌握这些数据结构和算法很重要。

基础机器学习算法知识：前文也说了机器学习中有很多算法，因此也需要掌握一些基础算法，例如支持向量机、神经网络、决策树、逻辑回归等。

此外还有一些知识也需要注意，比如**特征提取、模型评估及调优**等。

优质资源推荐

这儿我总结了很多优质资源，都是大家在学习机器学习的时候最常用的、效果最好的内容。

书籍

《机器学习》

又叫西瓜书，作者：周志华。这本书可以作为机器学习的入门读物。基本上涵盖了机器学习基础知识的方方面面。每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。

《统计学习方法》

作者：李航。这本书也是机器学习的入门级读物，本书机器学习原理的解释、公式的推导非常非常详尽。全面系统地介绍了统计学习的主要方法，现在有第二版，分为监督学习和无监督学习两个部分。

《机器学习实战》

作者：Peter Harrington。在看完前面两本书后，再跟着本书里的代码进行学习和实操，效果会更好。书中也精心编排了很多实例，从实例入手，更能帮助大家理解机器学习中的各种名词。

其他资源

吴恩达 deeplearning.ai

林轩田 机器学习基石
吴恩达机器学习课程是很多人的入门机器学习的第一堂课。，之前的课程时间有点久了，可以看看2022年出的新版。

这个也是很多同学在学校的时候经常看到基础入门课。

李宏毅 机器学习课程

大多数同学反应，李宏毅讲的课程相对于吴恩达更能接受一些。

各Python库的官方文档

TensorFlow：https://www.tensorflow.org/tutorials/

pytorch：Welcome to PyTorch Tutorials — PyTorch Tutorials 2.0.1+cu117 documentation

scikit-learn：https://scikit-learn.org/stable/index.html

numpy：https://numpy.org/

pandas：http://pandas.pydata.org/pandas-docs/stable/

matplotlib：https://matplotlib.org/stable/tutorials/index.html

以上就是本次的分享，最后提醒大家一下，想要学好机器学习最重要的还是要实践。通过遇见问题、发现问题、解决问题不断地提高自己的能力。