ML启程笔记:<零>开启我的机器学习生涯

机器学习是人工智能的未来

第一次知道机器学习是在一次学科竞赛中，我所在的团队做的项目其中有个最核心需求是根据Android设备的加速度、陀螺仪、地磁等传感器的数据判断携带设备的人是否发生了跌倒。当时对于只写过一般的业务逻辑代码的我来说，实在是一脸懵逼。好在后来指导老师明确告知需要使用机器学习技术。

这是一段痛苦不堪的时期，揪着“跌倒检测”这一关键词换来有用的信息是一大堆的Paper，面对论文中大段大段的数学公式推导，我曾一度以为这是应用数学的领域（事实上也确实可以这么划分），跟编程有几毛钱关系- -。但是项目还是要做，问题还是解决了，当然，用的是非常简单的一个算法：K-近邻算法。

当确定了要使用的算法之后，另一个问题又困扰了我好久，训练数据到哪找？百度无果后我跑去找指导老师，很简单，问她要数据。当然，她肯定也是没有的，最后还是自己写了一个andriod程序用及其不严谨的方式收集了“大量”的数据。为什么打引号呢？因为有6个类别，只有4志愿者（包括我自己 - -），每个人每个类别采集了15个样本，一共360个样本，其中还要分出20%作为测试集。后来真正开始入门学习的时候我才知道一个比较小的入门数据集：MNIST手写数字数据集都有6W个样本。

虽然现在看起来很好笑，但回到当时还是感觉很牛逼的，因为这是我以往所写的那种代码办不到的，这是我对机器学习技术的第一印象：强大！

我是一个对技术有着无限追求的人，喜欢探索的人，因此我决定正式踏入这个领域，开启我的机器学习生涯，这是这一系列博客的开篇，在以后的时间里我会陆续的将自己的学习感想，理解和成果整理成笔记。目的是：

• 其一，方便日后随时可以查阅、温习；
• 其二，以完成这一系列笔记为目标与学习过程齐头并进，起到以此督彼的作用；
• 其三，在自学的过程中对有些知识难免理解偏颇，希望发现的人能够及时指正，避免走了不必要弯路；

以下是我暂定的这一系列笔记的大纲，为笔记整理的大致路线：

ML启程笔记大纲

一、开发环境搭建

Python环境搭建

直接安装

通过miniconda安装和基本命令

常用科学计算库

Numpy安装和常用函函数的使用

Matplotlib安装和常用函数的使用

Sklearn 安装和基本使用

Opencv-python 安装和基本图像处理

Etc.

神经网络框架安装

Tensorflow 安装和常用API参考

Caffe 安装和入门Demo

Etc.

开发工具

Pycharm 安装和配置

Jupyter notebook 安装和使用

Etc.

二、机器学习基础

什么是机器学习 机器学习能做什么(生活中的机器学习) 机器学习怎么做(一般流程) 机器学习与数据挖掘的区别 机器学习相关的术语 机器学习算法的分类及选择算法的一般标准

…

三、机器学习基本算法

3.1 有监督学习算法

3.1.1 分类

knn算法

K-nn的基本思想

决策树算法

决策树的基本思想

决策树的构造算法

• ID3算法

• C4.5算法

• CART算法

决策树的绘制

朴素贝叶斯算法

贝叶斯准则

基于贝努利模型实现

不考虑词汇出现的次数,所有词汇具有同等权重

基于多项式模型实现

考虑词汇的出现次数,出现次数多的词汇具有较大的权重

Logistic回归分类

…

最优化算法

梯度下降

随机梯度下降

SVM算法

基于SMO(序列最小化)的SVM实现

基于核函数的SVM扩展

LIBSVM库

3.1.2 回归

…

3.2 无监督学习算法

3.2.1 聚类算法

K-mean算法

…

密度估计算法

…

四、神经网络算法

感知机 单隐层前馈网络 多隐层前馈网络 深度神经网络(DNN) 卷积神经网络(CNN)

LeNet-5

AlxNet

VGGNet-11 - VGGNet-19

Etc.

循环神经网络(RNN)

长短时记忆网络(LSTM)

五、增强学习/迁移学习

Q-Learning 集成学习 基于元学习器 DQN 及其变体 R-CNN及其迭代版本 Etc.

六、大数据与机器学习

Hadoop Spark Etc.