# 机器学习的脑图 ## 1. 概念 - **定义** - 一种通过经验改进的方法，计算机系统能够在特定任务上表现更好。 - **目标** - 从数据中学习规律，进行预测或决策。 ## 2. 类型 - **监督学习** - **定义**：模型在带标签的数据上进行训练。 - **应用**： - 回归（如房价预测） - 分类（如垃圾邮件检测） - **无监督学习** - **定义**：模型在没有标签的数据上进行训练。 - **应用**： - 聚类（如客户细分） - 降维（如主成分分析） - **强化学习** - **定义**：通过与环境交互并获取反馈来学习。 - **应用**： - 游戏（如AlphaGo） - 自动驾驶 ## 3. 常用算法 - **监督学习算法** - 线性回归 - 逻辑回归 - 支持向量机（SVM） - 决策树 - 随机森林 - 神经网络 - **无监督学习算法** - K均值聚类 - 层次聚类 - 自编码器 - **强化学习算法** - Q学习 - 深度Q网络（DQN） ## 4. 主要流程 - **数据收集** - 来源：传感器、网络爬虫、数据库等。 - **数据预处理** - 清洗：处理缺失值、异常值。 - 转换：标准化、归一化、特征工程。 - **模型训练** - 选择算法、设置超参数。 - 训练模型、验证效果。 - **模型评估** - 交叉验证、性能指标（如准确率、F1-score）。 - **模型部署** - 上线并监控表现。 ## 5. 工具和框架 - **编程语言** - Python - R - **库和框架** - Scikit-learn（用于传统机器学习） - TensorFlow（用于深度学习） - PyTorch（用于动态计算图） ## 6. 应用场景 - **图像识别** - 自动标注、行人检测。 - **自然语言处理** - 语言翻译、文本情感分析。 - **推荐系统** - 商品推荐、个性化内容推送。 - **金融领域** - 风险评估、詐騙监测。 ## 7. 未来发展趋势 - **可解释性** - 提高模型的透明度。 - **联邦学习** - 确保数据隐私的情况下进行学习。 - **自监督学习** - 减少对标签数据的需求。 - **增强学习的扩展** - 在更复杂环境中的应用。 ## 8. 挑战与局限 - **数据问题** - 数据稀缺、数据偏差。 - **模型复杂性** - 过拟合与欠拟合。 - **伦理与隐私** - 数据使用中的伦理问题。