机器学习 Machine Learning

机器学习与人工智能

小度和AlphaGo

人工智能领航者

人工智能领航者

为什么机器学习人工智能这两年发展这么快?

1. 大数据时代
   数据量特别特别大
   速度快 数据吞吐量非常大 能不能及时处理这些数据和公司的前途息息相关
   多样性 很多可以挖掘发展的
   价值 能不能从中挖掘到有用价值 不是取决于模型的优化 而且取决于数据量
2. 硬件发展
   Google: GPU 为 tensorflow服务 神经网络
3. 深度学习
   基于大数据时代应运而生的一门技术
4. 大规模的并行计算

发展史

什么是机器学习

机器学习(machine learning): 是通过算法，使用历史数据和资料进行训练，训练完成后产生模型。未来当有新的资料的时候，我们可以使用训练产生的模型进行预测。
机器学习：特征（feature）和标签（label)
比如预测明天是否下雨。
特征：湿度，风向，风俗，季节，气压
标签：0：不会降雨；1：会降雨

人类类比机器

• 监督学习（有标签）（Supervised learning）：
  回归分析（regression）
  统计分类（classification）： 二分类 多分类
• 非监督学习（无标签）（Unsupervised learning）：
  聚类（clustering）
  降维（dimension个 reduction）
  异常检测（anomaly detection）
• 强化学习（Reinforcement learning）

机器学习之统计回归

回归分析

• 预测输入变量与输出变量的关系
• 输出变量是连续的
• 一元回归与多元回归
  一元：一个变量
  多元：多个变量
• 线性回归与非线性回归
  线性：最小二乘法
  非线性：核方法，树类方法
• 算法：线性回归，支持向量机，树类算法，神经网络

机器学习之分类

分类问题

• 输出变量是离散的
• 输出变量的多少
  二分类、多分类
• 精确率
• 召回率
• 算法：k近邻，感知机，朴素贝叶斯，决策树，逻辑回归，支持向量机，神经网络

风险评估：根据客户情况，决定是否贷款
图像识别：分析图像，判断图像中是否有人脸出现
垃圾邮件检测：判断一封邮件是否为垃圾邮件
智能医疗诊断：判断是否为恶性肿瘤

机器学习之聚类

聚类：把相似的对象通过静态分类的方法分成不同的组别或更多的子集。同一个子集的成员都有相似的属性。
算法：K均值，高斯混合聚类，密度聚类，层次聚类
商业：定义客户类型，刻画不同的客户群的特征。聚类分析是细分市场的有效工具，同时也可用于研究消费者行为，寻找新的潜在市场、选择实验的市场，并作为多元分析的预处理。
生物：动植物分类对基因进行分类，获取对种群固有结构的认识。
保险：聚类分析通过一个高的平均消费来鉴定汽车保险单持有者的分组，同时根据住宅类型，价值，地理位置来鉴定一个城市的房产分组。
社交：社交网络的挖掘

机器学习之推荐

推荐算法的主要特征就是可以自动向用户推荐他们最感兴趣的东西，从而增加购买率，提升效益。推荐算法有两个主要的类别：

1. 将与用户购买的内容近似的物品推荐给用户。对物品贴上多个标签
2. 基于用户相似度的推荐，则是将与目标用户兴趣相同的其它用户购买的东西推荐给目标用户

机器学习流程：

数据提取(ETL) >> 数据清洗(Feature cleaning) >> 特征工程(Feature engineering) >> 训练模型(Training model) >> 验证模型优化模型(validation)

• 机器学习并不是万能的，但没有机器学习是万万不能的！
• 数据清洗是实现机器学习算法的必要前提
• 特征工程是提升模型强度的关键因素
• 多种方法让机器学习的算法泛华能力增强

机器学习之大数据

机器学习：利用数据价值的最核心技术！
数据量越大 准确率越高
Hadoop & Spark echosystem
把数据切片分成很多小部分，分到单机中处理做并行运算。
数据拷贝成3份或多份存在硬盘里，保证数据不丢失。

机器学习之数据科学之路

数据科学

• 概率论与统计：假设检验，概率分布，贝叶斯理论，极大似然估计....
• 线性代数：矩阵的操作
• 微积分：极值，优化问题，偏导数，梯度....
  编程语言与算法：
• 编程语言：R & Python（C++，Java...)
  数据分析和挖掘：Python，R
  数据工程师：Java，Python
  钻研算法框架：C++，Python
• 数据结构
• 算法

1. 巩固数理统计基础。熟悉机器学习的算法知识
2. 熟练掌握至少一门编程语言
3. 学习数据结构与算法相关知识，锻炼编程能力
4. 积极参加数据科学竞赛（如kaggle）和数据科学相关的项目磨练自己

机器学习 - 理解与实战

机器学习

监督学习

• 分类问题：输出位离散值的问题
  明年会不会涨工资
  能不能申请到想去的学校
  中国足球队能不能赢得比赛
  这张图片是什么
• 回归问题：输出位连续值的问题
  明年的工资是多少
  明年的比特币价格是多少
  活动会有多少人来
  一切模型都是错的，但是有些模型有用

分类问题

问题描述：预测明年能不能申请到想去的学校

• 特征（条件）：
  成绩（GPA，排名）
  本科/高中学校
  科研成果/课外活动
  TOEFL/GRE/SAT/GMAT分数

• 标记(结果)
  拿到了
  没拿到

  
  
  线性回归——系数
  
  
  logistic回归
  
  
  过拟合
  
  
  交叉验证
  
  
  随机森林
  
  
  评价分类器好坏

回归问题（线性回归）

image.png

无监督学习

聚类学习

k-means算法

1. 随机选取k个中心点，代表k个类别
2. 测量每个数据到中心点的距离，并归类到距离最近的中心点对应的类别上
3. 对每个类别的数据，计算出平均位置，更新k个中心点
4. 重复2~3步骤，直到系统收敛

神经网络

神经网络

卷积神经网络

AlphaGo算法

深度学习的发展与应用

• 深度神经网络
• 深度学习的应用

• 实际应用案例

  
  
  M-P神经元模型
  
  

  神经网络简介

• 1943 McCulloch-Pitts神经元模型
• 1956 感知机(Perceptron) [(第一个可以学习的模型) (线性)]
• 1986 分布式表示 -- 深度学习之父 hinton
• 1986 反向传播算法
• 1994 长短记忆网络
• 2006 深度信念网络 -- hinton
• 2007 卷积神经网络

优化深度神经网络

深度学习网络

卷积神经网络

解决图片识别问题

卷积

循环神经网络

h 降低参数 防止过拟合

长短记忆网络(LSTM)

门循环网络

生产判别式网络

深度学习的应用:

图片识别

语音识别

机器翻译

图片生成

物体检测

视觉搜索

航拍图片分析

海狮的种类,成年幼年等
农作物的期货,收成
露天停车位数量 - 沃尔玛销量

聊天机器人

如何学习深度学习

• 数学
  线性代数
  微积分
  凸优化/计算方法
  概率论
• 机器学习
• 编程
  算法和数据结构
  Python
• 深度学习
  Deep Learning，lan Goodfellow，Yoshua，Bengio，etc.
  论文

实战数据挖掘与机器学习

数据分析与数据科学的职业发展

数据相关职业岗位解析

• 数据分析师
  市场分析师，产品经理，数据分析师
• 数据科学家
  数据科学家，数据科学算法工程师
• 数据工程师
  大数据工程师，数据工程架构师
  
  要求

职业能力要求

学历

硬技能

Python SQL（数据库的操作）

软实力

关于数据科学竞赛的一点思考

业务理解

要求表格

学习数据分析和数据科学的要点

学会分析商业需求，
以项目实践为手段，
熟练应用已有工具，
锻炼持续学习能力。
推荐书籍：数据科学入门， 利用Python进行数据分析
pd.DataFrame?
Google
百度
Stackoverflow
知乎

• 动手实际操作
  熟悉工具使用
• 着重项目实践
  能实习尽量实习
  参加数据竞赛
• 与人为善，与人为伴
  锻炼沟通与表达能力
  团队协调能力
  持续学习能力

UCI数据库
Kaggle数据库 （Kaggle：全球最大机器学习算法竞赛平台 数据量特别大）
天池 （阿里）
DataCastle 成都一家公司创建的竞赛平台 信贷风险

最后，献上福利：

Data Analysis.png