人工智能基础课堂纪要1
1.机器学习概述
1.1 人工智能概述
1.人工智能起源
图灵测试
达特茅斯会议
2.人工智能三个阶段
1980年代是正式成形期
1990-2010年代是蓬勃发展期
2012年之后是深度学习期
3.人工智能、机器学习和深度学习
机器学习是人工智能的一个实现途径
深度学习是机器学习的一个方法发展而来
4.主要分支介绍
1.计算机视觉
eg:人脸识别
2.自然语言处理
语音识别
语义识别
3.机器人
5.人工智能必备三要素【***】
数据
算法
计算力
6.gpu,cpu【**】
gpu -- 计算密集型
cpu -- IO密集型
1.2.机器学习工作流程
1.定义【***】
数据
自动分析获得模型
预测
从数据中自动分析获得模型，并利用模型对未知数据进行预测
2.工作流程【****】
1.获取数据
2.数据基本处理
3.特征工程
4.机器学习（模型训练）
5.模型评估
3.获取到的数据集介绍【*****】
1.专有名词
样本
特征
目标值（标签值）
特征值
2.数据类型构成
类型一：特征值+目标值
目标值分为是离散还是连续
类型二： 只有特征值，没有目标值
3.数据划分
训练数据（训练集） -- 构建模型
0.7--0.8
测试数据（测试集） -- 模型评估
0.2--0.3
4.数据基本处理
对数进行缺失值、去除异常值等处理
5.特征工程
1.定义
把数据转换成为机器更容易识别的数据
2.为什么需要特征工程
数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已
3.包含内容
特征提取
特征预处理
特征降维
6.机器学习
选择合适的算法对模型进行训练
7.模型评估
对训练好的模型进行评估
1.3 机器学习算法分类【***】
1.监督学习 -- 有特征值，有目标值
目标值连续-- 回归
目标值离散-- 分类
2.无监督学习 -- 仅有特征值
3.半监督学习
有特征值，但是一部分数据有目标值，一部分没有
4.强化学习
动态过程，上一步数据的输出是下一步数据的输入
四要素：agent, action, environment,Reward,
1.4 模型评估
1.分类模型评估
准确率
精确率
召回率
F1-score
AUC指标
2 回归模型评估
均方根误差
相对平方误差
平均绝对误差
相对绝对误差
决定系数
3.拟合
欠拟合
过拟合
2.机器学习基础环境安装与使用
2.1 库的安装
pip install -r requirements.txt
2.2 Jupyter Notebook使用【**】
1.jupyter定义
开源的科学计算平台
类比ipython
可以运行代码，可以做笔记
文件后缀： .ipynb
2.jupyter和pycharm对比
jupyter -- 探索性数据，一边分析，一边运行
pycharm -- 适合逻辑性强的操作（web）
3.如何使用
jupyter notebook
使用方式和ipython一样，但是要比ipython强大（可以画图）
4.cell
一对In Out会话被视作一个代码单元，称为cell
5.jupyter两种模式
编辑模式
直接点击进去，可以进行编写代码，做笔记
命令模式
通过快捷键，操作，eg:添加一行
6.快捷键
通用：
Shift+Enter，执行本单元代码，并跳转到下一单元
Ctrl+Enter，执行本单元代码，留在本单元
命令模式
Y，cell切换到Code模式
M，cell切换到Markdown模式
A，在当前cell的上面添加cell
B，在当前cell的下面添加cell
双击D：删除当前cell
编辑模式：
和常规方式一样
7.markdown语法
# -- *级标题
- -- 缩进
3. Matplotlib
3.1 Matplotlib之HelloWorld
1.定义
主要用于开发2D图表（3D）
数据分析，基于分析，进行展示
2.绘图流程【***】
1.创建画布
2.绘制图像
3.显示图像
3.matplotlib三层结构
容器层
canvas
figure
axes
辅助显示层
添加x轴，y轴描述，标题。。。
图像层
绘制什么图像的声明
3.2 折线图(plot)与基础绘图功能【****】
1.图像保存
plt.savefig()
注意：图像保存一定要放到show前面
2.添加x轴,y轴刻度
plt.xticks
plt.yticks
注意:第一个参数必须是数字,如果不是数字,需要进行值替换
3.添加网格
plt.grid()
参数:
linestyle -- 绘制网格的方式
alpha -- 透明度
4.添加描述信息
plt.xlabel("时间")
plt.ylabel("温度")
plt.title("一小时温度变化图", fontsize=20)
5.多次plot
直接进行绘制
6.显示图例
plt.legend()
注意:需要在显示之前,声明plot里面的具体值
7.多个坐标系图像显示【###】
fig, axes = plt.subplots()
nrows -- 几行
ncols -- 几列
注意:有些方法需要添加set_*
8.折线图应用场景
1.表示数据变化
2.绘制一些数学图像