第七周学习笔记（简述机器学习与python）
机器学习是人工智能的核心分支，其核心思想是让计算机从数据中自动学习规律和模式，并利用这些规律对未知数据进行预测或决策。
主要分类
监督学习
特点：数据集包含特征和对应的标签
目标：建立从特征到标签的映射关系
应用场景：分类问题（如图像识别、垃圾邮件过滤）和回归问题（如房价预测、销量预测）
典型算法：线性回归、逻辑回归、决策树、支持向量机、随机森林
无监督学习
特点：数据集只有特征，没有标签
目标：发现数据内在的结构和模式
应用场景：聚类分析（如客户分群）、降维处理（如数据可视化）、关联规则挖掘
典型算法：K均值聚类、主成分分析、关联规则
强化学习
特点：智能体通过与环境交互学习最优策略
核心机制：试错学习和延迟奖励
应用场景：游戏AI、机器人控制、自动驾驶
典型工作流程
数据收集与准备：获取原始数据集
数据预处理：处理缺失值、异常值，数据标准化
特征工程：特征提取、特征选择和特征转换
模型选择：根据问题类型选择合适的算法
模型训练：使用训练数据学习模型参数
模型评估：在测试集上评估模型性能
超参数调优：优化模型参数提升性能
预测部署：将训练好的模型应用于新数据
机器学习与Python
Python凭借其丰富的生态系统成为机器学习领域的首选语言，提供从数据预处理到模型部署的完整工具链。
核心工具库
数据处理基础
NumPy：提供高效的数值计算和多维数组操作
Pandas：专为数据清洗和分析设计的强大数据结构
数据可视化
Matplotlib：基础绘图库，支持各种静态图表
Seaborn：基于Matplotlib的高级统计图形库
机器学习核心库
Scikit-learn：包含绝大多数经典机器学习算法，提供统一且简洁的API接口，涵盖数据预处理、模型训练、评估和选择的完整功能
深度学习框架
TensorFlow：谷歌开发的工业级深度学习框架
PyTorch：Facebook主导的研究友好型框架
典型应用模式
在Python中实施机器学习项目通常遵循标准化流程：首先使用Pandas进行数据加载和清洗，接着利用Scikit-learn进行特征工程和模型训练，然后通过交叉验证评估模型性能，最后使用训练好的模型进行预测。整个流程体现了Python在机器学习领域的集成优势和高效性。