Python机器学习概论，在本视频中，我将向您简要介绍机器学习。
机器学习引言
以从患者身上提取的人体细胞样本为例，而且这个细胞有特点。 例如，其团块厚度为6，其均匀度细胞大小为 1，其边缘粘附力为 1，依此类推。此时我们可以问的一个有趣的问题是：这是良性还是恶性细胞？与良性肿瘤不同，恶性肿瘤是指可能侵犯其周围的肿瘤。组织或扩散到身体各处，早期诊断可能是患者病情的关键生存。人们很容易认为只有具有多年经验的医生才能诊断出这种情况肿瘤并说明患者是否患有癌症。
想象一下你已经获得了一个包含数千个特征的数据集从被认为有罹患该病风险的患者身上提取的人类细胞样本癌症。对原始数据的分析表明，许多特征存在显着差异区分良性和恶性样本。您可以使用其他患者样本中这些细胞特征的值来给出早期指示新样本可能是良性的还是恶性的。您应该清理数据，选择合适的算法来构建预测模型，并训练您的模型以了解数据中良性或恶性细胞的模式。一旦模型通过迭代数据进行训练，它就可以用于预测你的新的或未知的细胞具有相当高的准确性。这就是机器学习！
这是机器学习模型可以完成医生任务或至少提供帮助的方式那个医生让这个过程更快。现在，让我给出机器学习的正式定义。
机器学习的能力
无需明确编程即可学习
机器学习是计算机科学的一个子领域，它赋予“计算机以下能力”：无需明确编程即可学习。”让我解释一下我所说的“无需明确编程”的意思。假设您有一个猫和狗等动物图像的数据集，并且您想要拥有可以识别和区分它们的软件或应用程序。您在这里要做的第一件事是将图像解释为一组特征集。例如，图像是否显示了动物的眼睛？如果有，它们的大小是多少？它有耳朵吗？尾巴呢？有几条腿？它有翅膀吗？在机器学习之前，每个图像都会被转换为特征向量。
然后，传统上，我们必须写下一些规则或方法才能获得计算机变得聪明并发现动物。但是，这是失败的。为什么？正如你可以猜到的，它需要很多规则，高度依赖于当前的数据集，并且不够通用，无法检测样本外的情况。这就是机器学习登场的时候。使用机器学习，我们可以构建一个模型来查看所有特征集，以及它们相应类型的动物，并且它学习每种动物的模式。它是通过机器学习算法构建的模型。它无需明确编程即可进行检测。
本质上，机器学习遵循 4 岁孩子学习的相同过程，理解并区分动物。因此，机器学习算法受到人类学习过程的启发，迭代地从数据中学习，让计算机发现隐藏的见解。这些模型可以帮助我们完成各种任务，例如对象识别、摘要、推荐等。机器学习以一种非常有影响力的方式影响社会。以下是一些现实生活中的例子。
首先，您认为 Netflix 和亚马逊如何向用户推荐视频、电影和电视节目？
他们使用机器学习来提出您可能会喜欢的建议！这类似于您的朋友向您推荐电视节目的方式，基于他们对您喜欢观看的节目类型的了解。您认为银行在批准贷款申请时如何做出决定？他们使用机器学习来预测每个申请人的违约概率，然后批准或根据该概率拒绝贷款申请。电信公司使用客户的人口统计数据对他们进行细分或预测他们是否会在下个月取消订阅他们的公司。我们每天都会看到机器学习的许多其他应用生活中，例如聊天机器人、使用面部识别登录我们的手机甚至电脑游戏。其中每一个都使用不同的机器学习技术和算法。那么，让我们快速研究一下一些更流行的技术。回归/估计技术用于预测连续值。 例如，根据房子的特征来预测诸如房子的价格之类的事情，或者估计汽车发动机的二氧化碳排放量。
分类技术
分类技术用于预测案例的类别或类别，例如，细胞是良性还是恶性，或者客户是否会流失。例如，对相似病例进行聚类分组，可以找到相似的患者，或者可以使用用于银行领域的客户细分。关联技术用于查找经常同时发生的项目或事件，例如，通常由特定顾客一起购买的杂货。异常检测用于发现异常和不寻常的情况，例如，它用于用于信用卡欺诈检测。序列挖掘用于预测下一个事件，例如点击流在网站中。降维用于减小数据的大小。
推荐系统
最后是推荐系统，它将人们的偏好与其他人联系起来有相似品味的人，并向他们推荐新物品，例如书籍或电影。我们将在接下来的视频中介绍其中一些技术。至此，我很确定这个问题已经在您的脑海中闪过：“有什么区别？这些天我们不断听到的流行语，例如人工智能（或人工智能）、机器学习和深度学习？”
人工智能和机器学习的不同
解释一下它们之间有什么不同。简而言之，人工智能试图使计算机变得智能，以模仿认知功能人类的。因此，人工智能是一个范围广泛的通用领域，包括：计算机视觉、语言处理、创造力和总结。机器学习是人工智能的一个分支，涵盖了人工的统计部分智力。它教计算机通过查看数百或数千个示例来解决问题，向他们学习，然后利用这些经验在新情况下解决相同的问题。
深度学习
深度学习是机器学习的一个非常特殊的领域，计算机实际上可以自己学习并做出明智的决定。与大多数机器学习算法相比，深度学习涉及更深层次的自动化。现在我们已经完成了机器学习的介绍，后续将重点回顾两个主要组成部分：首先，您将了解目的机器学习及其在现实世界中的应用； 其次，您将获得机器学习主题的总体概述，例如监督与无监督学习、模型评估和各种机器学习算法相比。现在您已经了解了这次旅程即将发生的事情。
Python机器学习概论 推荐
