书：pan.baidu.com/s/1G326xpt6tIijp5E7U0zmQg
提取码：ww3p
我的笔记：以下是一些机器学习的基础技术：
- 监督学习（Supervised Learning）： 在监督学习中，模型通过从标记的训练数据中学习映射关系，然后用于对新的、未标记的数据进行预测。典型的算法包括线性回归、决策树、支持向量机和神经网络。
- 无监督学习（Unsupervised Learning）： 无监督学习涉及使用未标记的数据，目标是发现数据中的模式和结构。聚类和降维是无监督学习的两个主要任务。典型的算法包括K均值聚类、层次聚类和主成分分析（PCA）。
- 半监督学习（Semi-Supervised Learning）： 半监督学习是监督学习和无监督学习的结合，其中模型在训练时使用了一部分标记的数据和一部分未标记的数据。
- 强化学习（Reinforcement Learning）： 强化学习是一种通过与环境的交互来学习决策策略的方法。智能体通过尝试最大化奖励来学习在不同状态下应该采取的动作。典型的应用包括游戏、机器人控制和自动驾驶。
- 深度学习（Deep Learning）： 深度学习是一种基于人工神经网络的机器学习分支，具有多层的神经网络结构。深度学习在图像识别、语音识别和自然语言处理等领域取得了显著的成就。
- 特征工程（Feature Engineering）： 特征工程涉及到从原始数据中提取、转换或选择有意义的特征，以帮助模型更好地学习。好的特征工程可以提高模型的性能。
- 模型评估与优化： 了解如何评估模型性能，并进行调参和优化以提高模型的泛化能力是机器学习中至关重要的技术。
- 交叉验证（Cross-Validation）： 为了准确评估模型的性能，交叉验证技术被用于将数据分成多个部分，以便在训练和测试集上多次评估模型。
- 算法调优： 对于不同的问题，选择合适的算法并调整其超参数以优化性能是机器学习从业者的关键技能。
- 数据预处理： 数据清洗、缺失值处理、标准化和归一化等数据预处理技术是确保模型能够有效学习的重要步骤。
这些技术构成了机器学习的基础，但实际上，机器学习领域涵盖了更多的概念和技术。不同的问题和应用可能需要不同的技术和方法。