机器学习基础名字解释与理解

深度学习：属于机器学学习的一个分支，基于深度神经网络模型和方法，通过多层次的非线性变换自动提取和学习数据中的复杂特征表示。

KNN(K近邻算法)：是一个基本的监督学习算法，，用于分类(输出任务方式)和回归(输出任务方式)任务。其通过计算新数据点与训练集中各点的距离，找到最近的K个邻居，然后通过邻居的类别或数值来预测新数据点的类别或数值。

比方说：问题为：请判断路人甲是否为清华的或者北大的？

1.以路人甲为基点，找到距离其最近的100个人，其中98个是清华的，这里根据数据样本，我们预测路人甲大概率为清华的

2.以路人甲为基点，找到距离其最近的100个人，其中88个是北大的，这里根据数据样本，我们预测路人甲大概率为北大的

3.以路人甲为基点，找到距离其最近的100个人，其中49个是清华的，51个是北大的，这里根据数据样本，我们无法预测路人甲所属类别

4.以路人甲为基点，找到距离其最近的100个人，其中98个是哈工大的，但是由于题目中问题所问，我们无法确定路人甲是否属于清华或者北大（这是由于K近邻算法用于分类任务，我们可以把分类任务当作是一道选择题，我们只能选择题目给出的选项，而不能自己创造选项），只能通过再次取数据进行预测

监督学习与无监督学习的定义：

   监督学习：使用带有标签的数据集训练模型，通过已知的输入和输出学习数据的内在规律，从而对新的未知数据进行预测和分类

无监督学习：使用未标记的数据集训练模型，进而去发现数据中内在结构和关联

决策树算法：是一种经典的机器学习算法，用于解决分类和回归问题，通过构建树形模型，对数据进行分层决策，最终得到预测结果

基本原理：

1. 树形结构：决策树是由节点和有向边组成的，节点分为内部节点和叶节点，内部节点表示一个特征或者属性，叶节点表示分类或者回归的结果
2. 决策过程：从根节点开始，根据每个节点的特征对数据进行划分，直到到达叶结点，得到最终的预测结果

朴素贝叶斯算法：是一种简单高效的分类算法，基于贝叶斯定理和特征条件独立假设，再文本分类、垃圾邮件过滤、情感分析等领域有广泛应用

优点：

•  算法简单，计算高效，适用于大规模数据集
• 对小规模数据表现良好，适合多分类任务，对缺失数据不敏感

缺点：

• 特征条件独立假设再实际中往往不成立，可能影响分类效果
• 对输入数据的表达形式敏感

常见模型：

          1.高斯朴素贝叶斯：适用于连续型数据

          2.多项式朴素贝叶斯：适用与离散型数据，常用于文本分类

          3.伯努利朴素贝叶斯：适用于二元特征，常用于文本分类

深度学习的目的就是找一个函数f，完成 y = f(x)，x就是输入数据，y就是输出结果

神经网络输入的三种数据方式：

           1、向量

           2、矩阵：例如图片

           3、序列：例如视频

 神经网络输出的三种任务类别：

        1、回归任务：填空题

        2、分类任务：选择题

         3、生成任务：（简答题）结构化输出，其实是包含了前两种的，例如gpt，文字随机生成等等

例题：请判断下列示例的输入和输出方式：

1.根据一条河十年内三月的水位情况，推测明年三月此河水位？

输入：显然这条河十年的三月水位情况构成了向量

输出：可以理解为根据上文填空，所以输出为回归任务

2.根据视频生成字幕？

输入：视频是由若干个图片按照某种序列通过快速切换得到的动态效果，所以输入是序列

输出：随机生成字幕，所以输出是生成任务

3.自动填充代码？

输入：按照原有代码环境去填充代码，而原来的代码环境是字母组成的序列。所以输入时序列

输出：填充代码可以理解为填空题，所以输出为分类任务，同时填充的代码有自己的内在结构，所以也可以理解为输出为生成任务

4.判断图片中人物是谁？

输入：有图片可知输入为矩阵

输出：有判断字样可得输出为分类任务

5.判断两部动漫是否为同一部？

输入：动漫是视频，所以输入为序列

输出：有判断字样可得输出为分类任务

6.判断淘宝商品的配图和文字标题是否保持一致的？

输入：这里我们容易将视线聚焦再配图上，容易产生文字附属于配图，所以得出输入是矩阵的错误答案，这里恰恰相反，文字是序列，配图附属于文字，属于输入是序列

输出：有判断字样可得输出为分类任务

7.圈出图片中的羊，并且识别为羊？

输入：由图片可知输入为矩阵

输出：判断圈出的动物是不是羊，所以输出为分类任务

8.根据车摄像头看到的画面，把人，路，车的轮廓准确的画出来？

输入：由画面可知输入为矩阵

输出：人车路的轮廓是由一个一个像素点结构化的呈现，所以输出为生成任务