当前课程的小结|笔记
不知不觉已经算是”开学“的第五周了，机器学习这门课已经过半，对模式识别和机器学习有了初步和整体的认识（就是知道它主要是在做什么）。
名词解释
模式识别：对表征事物或现象的各种形式的信息进行处理和分析，从而达到对事物或现象进行描述、辨认、分类和解释的目的。
机器学习：机器从已知的经验数据（样本）中，通过某种特定的方法（算法），自己去寻找提炼（训练/学习）出一些规律（模型）；提炼出的规律就可以用来判断一些未知的事情（预测）。
举个例子
模式识别：人类见到一个东西之后，通常就会下意识地给其归类：是动物还是植物，属于哪一门纲目属科，是否可以药用，有果实吗，花朵是否漂亮，是否有毒……这一大串归类构成了人们对于这种事物的整体认知。这就属于人类对于模式的识别，这种技能对于人们甚至是一些动物来说，是非常简单而且几乎是与生俱来的。
机器学习：，机器通过一百万个单身狗的样本，总结出了单身狗所具有的一些属性。当下次再给一个样本时，机器就可以很快判断出这个样本究竟是不是单身狗。（🐕）
学习过程
基于距离的分类器
基本概念
- 定义：把测试样本到每个类之间的距离作为决策模型，将测试样本判定为与其距离最近的类。
- 两个问题：1.类的原型问题：如何计算单个向量到多个向量的距离问题。2.距离度量问题：计算测试样本到类的何种距离。
类的原型：1.均值。2.最近邻
距离的度量：1. 欧式距离 2.曼哈顿距离 3.加权欧式距离
MED分类器
- 基于欧氏距离的分类器。
- 类的原型：均值
- 特点：易导致分类错误，一般不直接用欧式距离进行分类
MICD分类器
- 基于马氏距离的分类器
- 特点：消除了特征间的相关性并使特征具有相同方差，提高分类准确度，但易选择方差较大的类。
MAP分类器
- 基于后验概率的分类器
- 选择后验概率最大的类，等于最小化平均概率误差，即最小化概率误差。
贝叶斯分类器
- 在MAP分类器基础上，加入决策风险因素，得到贝叶斯分类器
- 给定所有测试样本，贝叶斯分类器的决策目标：最小化期望损失
- 对每个样本均归类于其决策风险最小的类别，可使损失期望之和最小化
参数估计方法
最大似然估计
- 求 θ使得似然函数最大
- 可对函数求一阶导数为0，得到极大值点，即函数最大值
贝叶斯估计
- 相对于似然估计，贝叶斯估计将 θ当作了随机变量
- 具备不断学习的能力，随着训练样本的不断增加，可以串行地不断修正参数的估计值，从而不断逼近参数的期望真值。
机器学习等人工智能领域的前沿技术介绍、展望、应用
自动化机器学习（AutoML）
近年来，在深度学习领域里，出现了一种「新式学习法」，很多人视它改变了设计复杂的深度学习网络，把看似高不可攀的深度学习，「拉」到了人人触手可及的程度。这个新方式，就是 AutoML。
2017 年 5 月，谷歌在 I/O 大会上发布了 AutoML，他们将 AutoML 应用到了深度学习的图像识别和语言建模的两大数据集中，他们提供的 Cloud AutoML 和 Google NAS 算法结合，把完整的机器学习工作做成了云端产品，用户只需要提供数据，Cloud AutoML 将自动构建深度学习模型。
传统的AI模型训练往往要经历特征分析、模型选择、调参、评估等步骤，这些步骤需要经历数月的时间，如果完全没经验，时间会更长。AutoML虽然也需要经历这些步骤，但是通过自动化的方式，可以减少这些步骤的时间。（虽然方便了许多，但是必然在较为复杂的情况下，不如人为分析好，我认为AutioML只能进行简单的机器学习，至少在短期内是这样的）