AI机器学习总结笔记
2024-06-20 16:26:54 0 举报AI智能生成
AI机器学习总结笔记是一份关于人工智能和机器学习领域核心概念、技术和应用的全面回顾。它涵盖了从机器学习的基本原理到深度学习、神经网络和最新研究成果的各个方面。这份笔记旨在帮助读者理解AI和机器学习的基本知识，为更深入的学习和实践打下基础。这份资料采用脑图格式，便于阅读和打印，并配有丰富的图表和示例，使复杂的概念更易于理解。
作者其他创作
大纲/内容
Numpy
数据结构ndarray
Scipy
向量
矩阵
特征值和特征向量
解线性方程组
最小二乘
模块
cluster
聚类算法
constants
物理和数学常量
fftpack
快速傅里叶变换
integrate
积分和常用微分方程
intepolate
插值和样条平滑
linalg
线性代数
ndimage
图像处理
optimize
最优化及求根
signal
信号处理
sparse
稀疏矩阵
spatial
空间数据结构及算法
special
特殊函数
stats
统计分析
python
pandas
数据加载
数据修改运算
多层索引
数据变形
关联
分组与聚合
数据重塑
matplotlib
折线图
散点图
直方图
条形图
饼图
箱线图
数学基础
数学体系
线性代数
一元线性回归
多元线性回归
广义回归模型
矩阵
加法
矩阵相加
结合律
交换律
乘法
矩阵乘法
结合律
分配律
行列式
det(MN)=det(M)det(N)两个矩阵 M, N，积的行列式=行列式的积 行列式行数必须等于列数。也就是说必须
是方阵才有行列式
是方阵才有行列式
矩阵的转置
矩阵的初等变换
1. 换法变换：对换矩阵的两行。对换i，j两行，记作ri <->rj。
2. 倍法变换：用非零数乘以矩阵某一行的每个元素。第i行乘以K，记作ri*k.
3. 消法变换：用数乘矩阵某一行的每个元素后加到另一行的对应元素上，第j行的k倍加到第i行上，记作ri +
krj。
2. 倍法变换：用非零数乘以矩阵某一行的每个元素。第i行乘以K，记作ri*k.
3. 消法变换：用数乘矩阵某一行的每个元素后加到另一行的对应元素上，第j行的k倍加到第i行上，记作ri +
krj。
初等行变换
初等列变换
高斯消元
（1）任意交换矩阵的两行或两列，矩阵不变；
（2）矩阵任意行或列加上或减去任意k倍的任意行或列（行也可以加减k倍的行），矩阵不变；
（2）矩阵任意行或列加上或减去任意k倍的任意行或列（行也可以加减k倍的行），矩阵不变；
逆矩阵
逆矩阵可以类比成数字的倒数，比如数字5的倒数是1/5，矩阵A的“倒数”是A的逆矩阵。5*(1/5)=1, A*（A的
逆矩阵） = I，I是单位矩阵（个别教材叫做E）
逆矩阵） = I，I是单位矩阵（个别教材叫做E）
引入逆矩阵的原因之一是用来实现矩阵的除法。比如有矩阵X，
A，B，其中X*A = B，我们要求X矩阵的值。本能来说，我们只需要将B/A就可以得到X矩阵了。但是对于矩阵来
说，不存在直接相除的概念。我们需要借助逆矩阵，间接实现矩阵的除法。
A，B，其中X*A = B，我们要求X矩阵的值。本能来说，我们只需要将B/A就可以得到X矩阵了。但是对于矩阵来
说，不存在直接相除的概念。我们需要借助逆矩阵，间接实现矩阵的除法。
矩阵的秩
矩阵A中非零子式的最高阶数为矩阵A的秩，记作r(A).r(A)=2.
点乘、内积
子主题
特征值
任意给定一个矩阵A，并不是对所有的向量B都能被A拉长（缩短）。凡是能被A拉长（缩短）的向量称为A的特征向
量(Eigenvector)；拉长（缩短）量就为这个特征向量对应的特征值（Eigenvalue）
量(Eigenvector)；拉长（缩短）量就为这个特征向量对应的特征值（Eigenvalue）
子主题
微积分
导数
速度
切线的斜率
导数
导函数
子主题
求导公式
四则运算
子主题
子主题
子主题
子主题
子主题
子主题
求导法则
初等导数公式
高阶导数
加法
莱布尼茨公式
有限增量公式
雪花曲线
周长无界，面积有界
运算法则
洛必达法则
极值
极大值
极小值
单变量微积分
导数
公式
中值定理
洛必达法则
泰勒公式及应用
函数的凹凸性
函数的极值
不定积分
定积分
偏导数
概率论
最优化
无约束最优化梯度下降
约束最优化
数据挖掘
六大任务
分类问题（Classification）
垃圾邮件
文本分类
信用评分
欺诈检测
图像识别
用户流失预测
营销响应预测
广告点击率预估
商品推荐
聚类问题（Clustering）
用户分群
相似文档聚类
回归问题（Regression）
房价预测
收入预测
关联问题（Association）
商品买了还买
电影看了还看
商品推荐
序列问题（Sequence）
购物模式预测
网站点击模式预测
中文分词
DNA序列分析
异常检测问题（Outlier Detection）
信用卡欺诈检测
网络安全检测
不合格产品检测
CRISP-DM 标准流程
商业理解（Business Understander）
目标是什么？
商业目标
数据挖掘目标
资源评估
制定项目计划
数据理解（Data Understander）
有哪些可用数据？
收集数据
探索数据
数据质量
数据准备（Data Preparation）
特征构造
选择数据
数据集成和汇总
特征处理
特征选择
构建模型（Modeling）
机器学习训练模型
选择算法
训练模型
模型指标评价
模型评估（Evaluation）
模型是否满足要求？
模型可用性评估
下一步计划
模型发布（Deployment）
模型发布上线
模型发布计划
模型上线
模型监控和维护
数据理解和探索
认识数据
描述性统计分析
表示位置
平均值
分位数
四分位数
表示分散程度
极差
最大值减去最小值
方差
越大表示变量值波动的越厉害
标准差
越大表示变量值波动的越厉害
变异系数
波动性归一， 不同变量的波动性可比
分类变量的分析方法
频数分析
图形
饼图
条形图
帕累托图
连续变量的分析方法
离散化处理
频数分析
图形
饼图
条形图
帕累托图
直方图
相关性分析
散点图
交叉表
均值对比（方差分析）
概率
基本空间与随机事件
事件的关系与运算
包含
相等
互不相容
德摩根公式
总结
事件的概率
随机变量的分布
离散情形
伯努利分布
二项式分布
几何分布
泊松分布
连续型随机变量
正态分布
均匀分布
指数分布
伽马分布
贝塔函数
期望与方差
期望
联合分布
条件分布与条件期望
正态分布
总体与样本
样本均值与方差
次序统计量与分位数
矩法估计
极大似然估计
贝叶斯估计
区间估计
假设检验
多元线性回归
判别分析
系统聚类法
动态聚类法
主成分分析
样本主成分及应用
特征转换
RFM数据提取
无量纲化
标准化
区间缩放法
连续变量数据变换
log变换
box-cos变换
squart
等宽离散化
等深离散化
自定义区间离散化
类别型变量数据变换
OneHot（独热编码）
频数
去量纲化
秩序
归一化
目标变量
某类的比例编码
缺失值处理
日期处理
特征组合
数据降维主成分分析（PCA）
数据降维之线性判别分析法（LDA）
特征选择
Filter（过滤）方法
对每一个特征单独评估重要性，排序后筛选
重要性指标
卡方验证
相关系数
信息增益
信息值（IV）
优点
计算简单
防止过拟合好
缺点
不考虑特征之间的关联性，容易选出来冗余特征
Wrapper（封装）方法
对每一个特征子集通过训练一个分类模型，根据模型的性能来评价特征的重要性
常用
逐步回归 Stepwise
向前选择 Forward
向后选择 Backward
优点
特征选择效果好
缺点
算法复杂度高，耗时
针对特定算法来做的，灵活性不强
Embedded（嵌入）方法
特征选择算法本身作为组成部分嵌入到学习算法里
以决策树为例，数的增长过程就是一个特征选择的过程
优点
特征选择效果好
缺点
针对特定算法来做的，灵活性不强
模型优化
数据
算法
调参
分类模型评估及验证
模型误差
偏差
方差
过拟合
欠拟合
评估方法
数据集划分
K折交叉验证
模型评估指标
误分类矩阵、准确率、召回率、F1分数
误分类矩阵
准确率
召回率
正确率
F1 分数
收益曲线
ROC 与 AUC
KS 曲线与KS值
判断标准
模型训练、验证、评估流程
数据集划分3个方案
Sckit-learn
数据集
sklearn.datasets
sklearn.datasets
特征工程
特征工程-预处理
sklearn.preprcessing
sklearn.preprcessing
规范化
MinMaxScaler 最大最小值规范化
Normailzer 将样本归一化为单位范数
StandardScaler 通过删除平均值和缩放到单位方差来标准化特征
编码
LabelEncoder 把字符串类型的数据转化为整型
OneHostEncoder 特征用一个二进制数字来表示
Binarizer 为 数值型特征的二值化
MultiLabelBinarizer 多标签二值化
数据变换
Polynomisreatures 生成多项式和交互特征
缺失值
imputer 用于完成缺失值的插补变压器
特征工程-特征提取
sklearn.feature_extraction
sklearn.feature_extraction
图像类
image.img_to_graph 像素到像素梯度连接的图形
image.grid_to_graph 像素到像素连接的图形
文本类
text.CountVectorizer 将文本转化为每个可出现个数的向量
text.TfidfVectorizer 将文本转为tfidf值的向量
text.HashingBectorizer 文本的特征哈希
特征工程-特征选择
sklearn.feature_selection
sklearn.feature_selection
Filter过滤器
VarlanceThreshold 删除特征值的方差达不到最低标准的特征
子主题
SelectKBest 返回K 个最佳特征
SelectPercentile 返回表现最佳的r%个特征
Wrapper 包装器
PFE 递归删除特征法
Embedded 嵌入法
SelectFromModel 基于模型的特征选择
特征工程-特征
sklearndecomposition
sklearndecomposition
主成分分析
PCA 主成分分析（PAC）
因子分析
FactorAnalysis 因子分析（FA）
模型训练
线性、广义线性模型
sklearn.linear_model
sklearn.linear_model
LinearRegression 普通最小二乘线性回归
LogisticRegression Logistic 回归（又名logit,MaxEnt）分类器
朴素贝叶斯模型
sklearn.naive_bayes
sklearn.naive_bayes
GaussianNB 高斯朴素贝叶斯
MultlnomialNB 朴素贝叶斯分类器多项式模型
BernoulliNB 朴素贝叶斯分类器多变量伯努利模型
最近邻模型
sklearn.neighbors
sklearn.neighbors
KNeighborsClassifier 执行k-最近邻居的分类器投票
神经网络模型
sklearn.neural_network
sklearn.neural_network
neural_network.MLPClassifier([]) 多层感知器分类器
neural_networkMLPRegressor([]) 多层感知器回归
SVM模型
sklearn.svm
sklearn.svm
SvC C支持向量分类
LinearSVC 线性支持向量分类
决策树
sklearn.tree
sklearn.tree
DecisionTreeClassifier 决策树分类器
DecisionTreeRegressor 决策树回归
聚类
sklearn.cluster
sklearn.cluster
KMeans k均值聚类
SpectralClustering 将聚类应用于对规范化控普拉斯算子的投影
模型选择
sklearn.model_selection
sklearn.model_selection
交叉验证（原cross_validation）
KFoldK-Fold 交叉验证迭代器。接收元素个数、fold 数、是否清洗
LeaveOneOut LeaveOneOut 交叉验证迭代器
LeavePOut LeavePOut 交叉验证迭代器
LeaveOneLabelOut
LeavePLabelOut
数据集分割函数（原cross_vaildation）
train_test_split 分离训练集和测试集
模型验证（原cross_validation）
cross_val_score 通过交叉验证评估分数
cross_val_predict 为每个输入数据点生成交叉验证的估计
permutation_test_score 评估其有置换的验证分数的意义
learning_ourve 学习曲线
validation_curve 验证曲线
超参数优化（原grid_search）
GridSearchCV 搜索指定参数网格中的最佳参数
ParmeterGrid 参数网格
ParameterSampler 用给定的分布生成参数的生成器
RandomizedSearchCV 超参数的随机搜索
模型组合
sklearn.ensemble
sklearn.ensemble
BaggingClassifier Bagging 分类器组合
BaggingRegressor Bagging 回归器组合
AdaBoostCalssifier AdaBoost 分类器组合
AdsBoostRegressor Adaboost 回归器组合
OradiendBoostingCalssifier 分类器组合
OradiendBoostingRegressor 回归器组合
RandomTreeClassifier 随机森林分类器组合
RandomTreeRegressor 随机森林回归器组合
VationgClassifiter 多模型投票融合器
模型评估
sklear.metrics
sklear.metrics
回归结果度量
explained_varcance_score 可解方程的回归评分函数
mean_ebsolute_error 平均绝对误差
mean_squared_error 平均平方误差
分类结果度量
accuracy_score 分类准确度
condusion_matrix 分类混淆矩阵
classification_report 分类报告
precision_recall_fscaor_support 计算精确度、召回率、1. 支持率
jaccard_simliarty_score 计算jceard 相似度
hamming_loss 计算汉明损失
zero_one_loss 0-1损失
hinge_loss 计算hinge 损失
log_loss 计算log 损失
聚类的度量
adjusted_mutual_info_score 调整的互信息评分
silhouette_score 所有样本的轮廓系数的平均值
silhouetle_sample 所有样本的轮廓系数
多标签的度量
coverage_error 函数误差
label_ranking_average_precision_score 计算基于排名的平均误差（）
模型算法
一元线性回归
多元线性回归
非线性回归
逻辑回归
K近邻
决策树
支持向量机
朴素贝叶斯
回归树
K均值
关联规则Apriori算法
KNN
TF-IDF算法
卷积神经网络CNN
图像领域
图像识别
人脸检测
人脸分析
人脸对比
人脸搜索
图像分类
目标检测和定位
图像搜索
应用领域
无人驾驶
感知
周围物体辨识（车辆、行人、自行车、交通灯、标志等）
定位
决策
控制
拍照识物
物体检测和定位
以图搜图
拍图购物
风格迁移
智能审核
色情过滤
暴恐过滤
广告过滤
循环神经网络RNN
序列预测
文本
视频
语音
时间序列
应用领域
天气、股票
情感分析
文本正负面
模拟写作
模仿某个作家进行创作
看图说话
机器翻译
算法融合
Voting（投票）
针对分类问题
硬投票
针对标签
软投票
针对概率
Averaging（平均）
针对回归问题
简单平均
加权平均
Bagging
子主题
采用算法
随机森林
减少方差
Boosting
子主题
采用算法
Adaboost算法
GBDT
XGBoost
减少偏差
文本分析
词袋 Bag of words
词嵌入 Word Embedding
词向量 Word2Vec
词向量 Word2Vec
0 条评论
下一页
