python与人工智能基础

知识体系

机器学习怎么学？

先正名，善造势，重时间，涨视野。尽快建立知识的主干与知识的体系。

今日主题

重点不在理论和实践，而在思想和概念，以体系为主。

python的优势

热门、好学、开源、资源丰富、随处可用。

Scikit-Learn

简介

资料

python机器学习的入门

什么是机器学习？

机器学习是从数据中自动提取知识，通常是对新的看不见的数据做出预测，一个典型的例子是垃圾邮件过滤器。通过用户不断地将收到的邮件标记为垃圾邮件或者非垃圾邮件，然后利用机器学习算法求得可以自动区分垃圾邮件和普通邮件的”预测模型”，该模型可以预测新邮件是否为垃圾邮件。

机器学习的核心概念：无需用户指定明确的决策规则而从数据中 自动做出决策(decision making).

另外一个重要的核心概念我们称之为：泛化。机器学习的目的是给之前尚未见过测试过的数据做出预测。例如我们对于已经标记好的垃圾邮件不感兴趣，重要的是新邮件到来时，上述软件是否能够帮我们自动的过滤垃圾邮件。

鸢尾花Iris机器学习分类实例

我们将每个花朵样本表示为数组中的一行，而列的特征则表示为花朵的储存，例如使用以下矩阵格式表示这个鸢尾花的数据集，由150个样本和4个特征构成一个二维阵列或者称为矩阵$R^{150*4}$,如下

$$\boldsymbol{X}=\left[ \begin{matrix} \boldsymbol{x}_{1}^{\left( 1 \right)}& \boldsymbol{x}_{2}^{\left( 1 \right)}& \cdots& \boldsymbol{x}_{4}^{\left( 1 \right)}\\ \boldsymbol{x}_{1}^{\left( 2 \right)}& \boldsymbol{x}_{2}^{\left( 2 \right)}& \cdots& \boldsymbol{x}_{4}^{\left( 2 \right)}\\ \vdots& \vdots& \ddots& \vdots\\ \boldsymbol{x}_{1}^{\left( 150 \right)}& \boldsymbol{x}_{4}^{\left( 150 \right)}& \cdots& \boldsymbol{x}_{4}^{\left( 150 \right)}\\ \end{matrix} \right]$$

python科学计算

numpy

import numpy as npy

matploit

数据的表示与可视化

机器学习是模型对数据的拟合，优秀的数据表示与可视化能够

scikit-learn中的数据

[n_samples, n_features]
n_samples:样本数
n_features:特征数

赏

谢谢你请我吃糖果