从Python到机器学习——我的学习路线

欢迎关注微信号：student_Shang

哈喽，大家好~

首先要跟各位说声抱歉，因为刚开学一些个人琐事比较多，导致公众号处于长期断更的状态。很感谢各位朋友并未取关，小尚童鞋在这里跟大家说声谢谢啦!以后的更新应该会慢慢加快频率，甚至实现一天一更的状态。

先简单回顾一下上个月的学习情况：除了每周相对较多的随机过程以及工程矩阵作业之外，剩余的时间大多用在 Python 的学习与应用上，这其中包括对 Python 语言特性的学习，也包括利用 Python 实现简单的爬虫应用，这主要通过 Python 中丰富多样的第三方库完成，例如 Requests 库（请求网页）、BeautifulSoup 库（解析网页）、 re 库（解析网页）等。想在这里立一个 flag ：每天更新一个爬虫程序，持续一个月。当然啦，如果发现我当天没有更新，可以在当天 12 点以后公众号告诉我，我会在第二天的推送中选择一位发个小红包（10-20 元）~

今天写这篇推送的目的第一是跟大家说一声，我胡汉三又回来了 hhh~；第二呢，就是打算从今天开始转入机器学习算法的理论学习中，关于 Python 内容会慢慢更新。接下来根据自己对周志华教授《机器学习》这本书第一章的阅读进行一个简单的总结。

其实本质上来说，“机器学习”这一概念并不新鲜。我们可以把他看做“新瓶装旧酒”的一个典型。你可能会问，为什么近些年突然这么火来了。

周老板在第一章中是这么解释的

数据大了，计算能力强了

在过去，之所以没有发展起“机器学习”，本质上便是因为当时的硬件设备难以满足要求，而近些年随着摩尔定律的迭代，包括“智能手机”的出现，不仅计算能力与过去发生了翻天覆地的变化，同时无穷无尽的数据散布在互联网的各个角落。这才导致“机器学习”这把火越烧越旺。

2.1 机器学习的研究内容

本质上说，机器学习的研究内容便是完成对一组数据的分析，这必然会涉及到相关算法，例如监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）等，这些算法被统称为“学习算法（Learning Algorithm）”。

2.2 机器学习的特点

总的来说，机器学习的特点主要包括下述几点：

机器学习是以概率论、统计学、信息论、计算理论、最优化以及计算机科学等多领域交叉的学科；

机器学习以模型方法为中心，运用统计学习方法建立相应模型，随后利用这一模型完成对未知数据的预测；

机器学习的目的便是为了对数据进行更好的利用；

机器学习算法主要以数据的特征作为依据，是数据驱动的科学。

2.3 机器学习的全过程

输入数据 -> 算法建模 -> 对未知数据再预测

从这一流程可以看出，数据是关键，没有数据便没有机器学习。第二便是针对具体问题，利用已知算法，完成建模任务，这其中包括归纳偏好、评估方法、性能度量、比较检验等。在模型不断更新的基础上，我们实现了对未知数据更好的预测。

上世纪五十年代开始，人工智能（Artificial Intelligence）便处于研究阶段，那时科学家认为，只要机器能够具备逻辑推理能力，便能够具有智能。当然，这一理论已经被推翻。随后人们想到，由人把规则告诉机器，让机器来进行处理，这一阶段出现了“专家系统”，但是也无法解决这个世纪性难题。再然后科学家们便想到，我们可以让机器自己去学习呀~这便是机器学习的由来。而我们这里提及的深度学习，也便是上世纪出现的多层神经网络。

机器学习首先需要数据作为支撑，随后针对具体问题，选择合适的算法完成建模，根据一系列指标对模型进行评价，并不断优化，在优化的过程中做到对数据进行更好的分析与预测。

THE END