当前位置：首页 > news >正文

《图解机器学习》（杉山将著）第一部分绪论学习笔记

news 来源：原创 2025/5/25 3:14:02

《图解机器学习》（杉山将著）第一部分绪论学习笔记

《图解机器学习》（杉山将著）第一部分绪论学习笔记
- 一、什么是机器学习
- - 1.1 学习的种类
  - 1.2 机器学习任务的例子
  - 1.3 机器学习的方法
- 二、学习模型
- - 2.1 线性模型
  - 2.2 核模型
  - 2.3 层级模型

《图解机器学习》（杉山将著）第一部分绪论学习笔记

在当今数字化浪潮席卷全球的时代，机器学习宛如一颗璀璨的明星，照亮了众多领域前进的道路，从智能安防领域的人脸识别精准鉴别人员身份，到电商平台基于用户行为数据的个性化推荐助力精准营销，其影响力无处不在。《图解机器学习》（杉山将著）犹如一把钥匙，为我们开启了机器学习这一神秘宝库的大门，而第一部分绪论更是如同基石，为后续深入探索奠定了坚实的基础。

一、什么是机器学习

1.1 学习的种类

机器学习中的“学习”方式丰富多样，主要涵盖监督学习、无监督学习以及半监督学习等关键类型。

监督学习恰似一位经验丰富的导师在旁悉心指导。以预测银行贷款用户是否会违约为例，我们拥有大量过往贷款用户的详细资料，包括年龄、收入、职业、信用记录等诸多特征信息，同时明确知晓这些用户最终是否违约的真实结果（即标签）。模型在学习过程中，仔细分析这些特征与违约标签之间的内在关联，从而构建起精准的预测模型。当面对新的贷款申请人时，模型便能依据其提供的特征数据，准确判断其违约的可能性，为银行的信贷决策提供有力支持。

无监督学习则像是一位充满好奇心的探险家独自在数据的海洋中摸索前行。比如在分析海量的基因序列数据时，模型会尝试依据基因序列的相似性，将众多基因划分为不同的类别或发现其中潜在的结构模式，而无需任何预先设定的类别标签。这有助于科研人员揭示基因之间的潜在关系，挖掘隐藏在数据深处的生物学奥秘，为基因疾病的研究提供全新的思路和方向。

半监督学习巧妙地融合了监督学习与无监督学习的优势，尤其适用于数据标注成本高昂的场景。例如在工业产品质量检测中，获取大量未标注的产品图像相对容易，但精确标注其中的缺陷类别却耗时费力。此时，我们可以利用少量已准确标注缺陷类型的图像（如划痕、裂纹、孔洞等）作为有监督信息，结合大量未标注图像进行半监督学习。模型能够借助未标注数据中的潜在信息，更好地学习产品图像的特征表示，从而更精准地识别新产品中的缺陷，有效提升工业生产中的质量控制效率，降低次品率，为企业节省大量成本。

1.2 机器学习任务的例子

书中列举的机器学习任务实例广泛且极具代表性，生动展现了其强大的应用潜力。

在医疗影像诊断领域，对于 X 光、CT、MRI 等影像数据，机器学习模型经过对海量标注影像（包含正常与各类疾病影像）的深度学习，能够敏锐捕捉到影像中的细微异常特征，准确判断疾病类型及严重程度。以肺部疾病诊断为例，模型可以精准区分肺部的正常组织、炎症、肿瘤以及不同阶段的病变，为医生提供可靠的诊断建议，极大地提高诊断效率，缩短诊断时间，为患者的及时治疗争取宝贵机会，有力推动精准医疗的发展进程。

在智能交通系统中，车辆自动驾驶技术是机器学习的璀璨成果。通过车载摄像头、雷达、传感器等设备收集的丰富数据，包括道路状况、交通标志、周围车辆和行人的位置与速度等信息，自动驾驶模型能够实时做出精准决策，如控制车速、转向、刹车等操作，确保车辆安全、高效地行驶在道路上。这不仅显著提升了交通安全性，减少了人为驾驶失误导致的交通事故，还优化了交通流量，缓解了城市交通拥堵状况，为人们的出行带来了前所未有的便利与舒适体验。

在金融市场预测方面，机器学习模型对历史股价走势、宏观经济数据、公司财务报表、行业动态等多源数据进行深入分析，预测股票价格的未来走势以及金融市场的波动趋势。例如，利用深度学习模型捕捉市场中的复杂模式和潜在规律，为投资者提供决策参考，帮助他们合理配置资产，降低投资风险，实现收益最大化，在风云变幻的金融市场中把握先机。

1.3 机器学习的方法

机器学习的方法丰富多元，各具特色，其中基于实例的学习和基于模型的学习是两种重要的方法。

基于实例的学习，就如同我们在生活中通过记忆具体的事例来应对新情况。在一个简单的植物病虫害识别场景中，假设我们建立了一个基于实例的学习系统。当遇到一片新的植物叶子出现病斑时，系统会将这片叶子的特征（如病斑形状、颜色、大小、分布等）与已存储的大量带有病虫害标注的植物叶子实例进行详细对比。如果新叶子的特征与某几个已知病虫害实例高度相似，那么系统就会参考这些相似实例的病虫害类别标注，来推断这片新叶子可能遭受的病虫害类型，从而为及时采取有效的防治措施提供依据。

基于模型的学习则是通过对数据的深入挖掘和抽象，构建出具有通用性的数学模型。以线性回归模型在能源消耗预测中的应用为例，我们收集了某工厂在不同生产条件下（如设备运行功率、生产时间、车间温度等）的能源消耗数据。通过运用线性回归算法，从这些数据中学习能源消耗与各个生产条件因素之间的线性关系，构建出一个形如“能源消耗 = w1设备运行功率 + w2生产时间 + w3*车间温度 +… + b”的数学模型。在确定模型的参数 w1、w2、w3 等和截距 b 后，当工厂的生产条件发生变化时，我们只需将新的生产条件数据代入该模型，就能快速、准确地预测出相应的能源消耗情况，为工厂的能源管理和成本控制提供有力支持，助力企业实现节能减排和可持续发展目标。
在这里插入图片描述

二、学习模型

2.1 线性模型

线性模型作为机器学习领域的基础支柱之一，以其简洁直观的形式假设数据之间存在线性关联。

在市场调研领域，企业常常需要根据产品的多个属性特征来预测消费者的购买意愿。例如，一款电子产品的价格、功能数量、品牌知名度等因素都会影响消费者的购买决策。假设我们收集了大量消费者对不同电子产品的购买行为数据，使用线性回归模型来分析这些数据，构建出“购买意愿 = w1价格 + w2功能数量 + w3*品牌知名度 + b”的模型。通过最小二乘法等优化算法，确定合适的权重 w1、w2、w3 和截距 b，使得模型预测的购买意愿值与实际消费者的购买行为尽可能匹配。这样，企业在推出新产品或调整产品策略时，就能利用该模型预测不同产品配置下消费者的购买倾向，从而优化产品设计、制定合理价格策略，提高市场竞争力，精准满足消费者需求，实现销售业绩的稳步增长。

然而，线性模型的局限性也较为明显。在现实世界中，许多数据关系并非简单的线性关系。例如，在生态系统中，物种数量与环境因素之间的关系往往呈现复杂的非线性特征。随着温度、湿度、栖息地面积等环境因素的变化，物种数量的增长或减少并非遵循简单的直线规律，而是可能存在阈值效应、饱和现象等复杂的非线性变化趋势。在这种情况下，线性模型难以准确捕捉到数据中的真实规律，导致预测结果出现较大偏差，无法为生态保护和资源管理提供可靠的决策支持。
在这里插入图片描述

2.2 核模型

当面对复杂的非线性数据分布时，核模型展现出强大的处理能力，为解决实际问题提供了有效的途径。

以语音识别任务为例，语音信号在时间和频率上具有复杂的非线性特征。原始的语音数据经过预处理后，在低维空间中难以直接进行有效的分类和识别。通过采用核函数（如常用的高斯核函数），将语音数据从低维的原始特征空间映射到高维的特征空间。在这个高维空间中，原本在低维空间中纠缠在一起的不同语音特征得以更好地分离，呈现出线性可分或更易于区分的特性。然后，在高维空间中运用线性分类器（如支持向量机）对语音数据进行分类识别，从而准确判断出语音的内容，实现高效的语音转文字功能，为智能语音助手、语音翻译软件等应用提供坚实的技术支撑，极大地提升了人机交互的便捷性和智能化水平。

尽管核模型在处理非线性问题上表现出色，但也面临着一些挑战。一方面，核函数的选择和参数调整需要丰富的经验和大量的实验。不同的核函数（如线性核、多项式核、高斯核等）适用于不同类型的数据分布，选择不合适的核函数可能导致模型性能不佳。另一方面，将数据映射到高维空间会显著增加计算复杂度和内存需求。在处理大规模数据集时，可能会出现计算资源瓶颈，导致训练和预测过程变得缓慢且效率低下，限制了核模型在某些对实时性要求较高的场景中的应用。
在这里插入图片描述

2.3 层级模型

层级模型，尤其是神经网络，以其模拟人类大脑神经元结构的独特优势，在处理复杂任务时展现出卓越的性能。

在图像生成领域，生成对抗网络（GANs）作为一种典型的层级模型架构，取得了令人瞩目的成果。以生成逼真的人脸图像为例，生成器网络通过多个隐藏层逐步学习人脸图像的特征表示，从低层次的像素特征到高层次的面部器官形状、纹理、表情等语义特征。它接收随机噪声向量作为输入，并通过一系列的神经元层进行特征变换和映射，逐渐生成越来越清晰、逼真的人脸图像。判别器网络则负责区分生成器生成的图像与真实的人脸图像，通过不断地与生成器进行对抗训练，两者相互博弈，使得生成器能够不断改进生成图像的质量，最终生成高度逼真、几乎无法与真实人脸图像区分的合成图像。这一技术在影视特效制作、虚拟角色创建、图像编辑等领域具有广泛的应用前景，为创意产业的发展注入了新的活力，推动了数字内容创作的革新。

然而，层级模型的复杂性也带来了一系列的问题。由于模型结构深度较大、参数众多，训练过程需要消耗大量的计算资源和时间成本。例如，训练一个用于自然语言处理的深度神经网络模型，可能需要使用大规模的计算集群进行数周甚至数月的训练，这对于研究机构和企业的硬件设施提出了极高的要求。此外，层级模型容易出现过拟合现象，即在训练数据上表现出极高的准确性，但在面对新的、未见过的数据时，泛化能力较差。为了克服这些问题，研究人员通常采用多种正则化技术，如 L1 和 L2 正则化约束模型参数的大小，防止参数过度拟合训练数据；Dropout 技术在训练过程中随机丢弃部分神经元，增强模型的鲁棒性和泛化能力；同时，还会采用大规模的数据集进行训练，并结合数据增强技术（如对图像进行旋转、缩放、裁剪等操作）来扩充数据量，提高模型的泛化性能，确保层级模型在实际应用中能够稳定、可靠地发挥作用。
在这里插入图片描述

版权声明：
原创博主：牛哄哄的柯南
博主原文链接：https://keafmd.blog.csdn.net/
个人博客链接：https://keafmd.top/

看完如果对你有帮助，感谢点击下面的点赞支持！
[哈哈][抱拳]
在这里插入图片描述
加油！

共同努力！

Keafmd

感谢支持牛哄哄的柯南，期待你的三连+关注~~

keep accumulate for my dream【共勉】

↓ ↓ ↓ 合作交流 ↓ ↓ ↓

《图解机器学习》（杉山将著）第一部分绪论学习笔记

《图解机器学习》（杉山将著）第一部分绪论学习笔记

一、什么是机器学习

1.1 学习的种类

1.2 机器学习任务的例子

1.3 机器学习的方法

二、学习模型

2.1 线性模型

2.2 核模型

2.3 层级模型

相关文章：