[分享] 《机器学习算法与实现 —— Python编程与应用实例》开卷有益

      收到《机器学习算法与实现 —— Python编程与应用实例》这本书，翻阅了目录和全书，确实是一本很不错学习书籍，对平台及提供方、编著者表示感谢。全书内容详实，排版工整有序， 学习曲线循序渐进，条理明晰，理论与实践相结合，是非常适合工程人员学习参阅的读本。下面一睹为快。

      本篇由绪论切入，以对机器学习有一个较全面的理解。

      机器学习是-类算法的总称，这些算法能够从大量历史数据中挖掘出隐含的规律，并用于分类、回归和聚类。机器学习更简单和形象的定义是寻找从输入样本数据到期望输出结果之间的映射函数。

      机器学习的基本思路如下:①收集并整理数据;②将现实问题抽象成数学模型;③利用机器学习方法求解数问题;④评估求解得到的数学模型。

      机器学习是人工智能(Anihciallnteigence，AI)的一个方向，伴随着人工智能的发展，机器学习被人们提出和发展。人工智能是研究、开发用子模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的技术科学，其目的就是让机器能像人一样思考，让机器拥有智能。

      机器学习的基本术语：

在机器学习中，特征(Feature)是被观测目标的一个独立可观测的属性或特点，其主要特点是存在信息量、区别性和独立性。

样本是数据的特定实例。样本分为两类:有标签样本和无标签样本。

模型定义特征与标签之间的关系，一般可以视为一个由参数定义的函数或逻辑操作的集合。

      机器学习的基本应用是回归(Regesion)、分类(Classifcation)和聚类(Clustering)。

      通过数据学习得到模型的过程就是学习(Leaming)，也称训练(Training)。在学习过程中，首先根据训练数据集构建一个模型，然后将该模型用于此前从未见过的新数据的过程，被称为模型的泛化(Generalization)。

      机器学习的基本分类： 监督学习；无监督学习；半监督学习。

      根据人工种经网络"的层数或者机器学习方法的非线性处理深度,可以将机器学习算法分为浅学习算法和深度学习算法。浅层学习算法的典型代表是感知机，深度神经网络主要是指处理层数转季的神经网络。深度学习是机器学习领域的一个新研究方向，将深度学习引入机器学习的目的是使后者更接近最初的目标-一人工智能。深度学习的灵感源于人类大脑的工作方式，是利用深度神经网鳍来解决特征表达的一种学习过程。

      强化学习(Reinforccment Leaming，RL)又称再励学习、评价学习或增强学习，用于描述和决智能体与环境交互的学习策略，以达成回报最大化或者实现特定目标的问题。

      机器学习与人工智能关系

      机器学习的应用：图像识别与处理；语音识别与自然语言处理；环境感知与智能决策；融合物理信息的工程设计。

      机器学习应用的步骤：选择合适的模型。判断函数的好坏。找出“最好”的函数的模型参数。学习得到“最好”的函数的参数后,需要在新样本上进行测试

      数据集一般需要分割为训练集、测试集和验证集。

     性能度量(Perfomance Measure)是衡量模型泛化能力的数值评价标准，反映了所求解模型性能。

     如何学习机器学习：由浅入深；行成于思。

     绪论部分是对全书的引入与初步概要，通过阅读理解，对机器学习有一个初步全局的了解，为后面章节的阅读学习奠定了一个良好的基础与准备。

刚才搜索了下，论坛里还没有这本书的电子版，期待大神上传啊

期待跟着楼主试读，来逐步学习人工智能、机器学习的内容。。。。

暂且收藏+关注了先。。。。感谢楼主的分享！

python语言是学习人工智能的首选语言，这方面的教材很多，希望这本书能读出不一样的感觉

机器学习，人工智能，都需要学习数学方面的知识，要有很好的数学功底

读下来，感觉还是很不错的，值得推荐

是的

大块头，循序暂进，开卷有益。大块头，循序暂进，开卷有益。

期待这本书的电子版出现, 新东西怎么学都学不完