机器学习-基础

​
​

活动地址：CSDN21天学习挑战赛

在天气预报未出现之前，早期人类生活中，他们是如何判断的天气情况呢？

可以根据云朵的形状、走向，风的流动，节气等对天气进行判断。在那时候的这些方法主要是依靠人们长期生活中对这些特征的总结而逐渐形成，发展的经验。通过这些经验来对未知天气的判断。

机器学习与我们通过经验判断天气有相通之处，机器学习通过对数据（经验）处理、分析，产生“学习算法”，基于经验数据（如云朵的形状、走向，风的流动，节气），使用该学习算法产生解决需求的模型，在未知的状况下输出决策（预测天气状况）。  

2.1 数据：例如云朵形状、走向，风向，节气（天气特征）的具体取值组合，是进行机器学习的必要条件。多组数据称之为数据集（例如一个月内的天气特征组合）。

2.2 训练集：通过采取某个学习算法，使用数据产生模型，相应的数据集也就是训练集。

2.3 监督学习(supervised learning)：训练数据有标记信息，也就是数据的“结果”，例如天气的好坏。

2.4 无监督学习(unsupervised learning)：训练数据没有标记信息。

2.5 分类(classification)：预测值为离散值，例如预测天气为晴、多云、阴、雨。

2.6 回归(regression)：预测值为连续值，例如预测天气的具体温度。

2.7 聚类(clustering)：聚类与分类相似，但通常情况下不具有标记信息。

3.1 维列向量及其转置

3.2 行列矩阵

3.3 矩阵运算

矩阵相加（减）：

矩阵相乘：为矩阵，为矩阵

参考文献

周志华.机器学习[M].清华大学出版社，2016.