前言

提示：这里可以添加本文要记录的大概内容

一、概述

数据 -> 模型 -> 预测

1.1 什么是机器学习

简单的理解，就是通过现阶段已知的数据，对未来的新数据进行一个预测，并且可以通过针对于数据学习内容的增加提高它的准确性的一个过程。

• 智慧城市中的交通拥堵预测
• 股市中的量化交易
• 天气预报
• 欺诈检测、语音识别等

而对于学习能力，它的考量一般依赖于两种形式，数据量及算法的选择，一定程度的数据量及优选的算法中，它的推算准确度应该是呈现一种正比的趋势。

1.2 机器学习的三种方式

在机器学习中，根据学习方式不同，大致归为了如下三类：

• 无监督学习 - Unsupervised Learning

  简单描述：对没有事先标记的、无法事先处理的数据进行自动分类/分群，常用的算法有

  • 聚类算法
  • 数据降维

• 有监督学习 - Supervised Learning

  简单描述：对事先处理过的带有标签的数据组进行训练及量化，常见的方式有

  • 分类-----类别
  • 回归-----连续性数据，如耗电量

• 半监督学习 - Semi-supervised Learning

1.3 机器学习系统构成

大致分为了四个步骤

1. 数据预处理 -> 相当于数据的准备；
2. 算法学习 -> 根据数据的具体情况选择合适的机器学习方式，根据不同的精度选择合适的算法；
3. 模型验证
4. 模型预测

二、常用库

提示：这里可以添加本文要记录的大概内容

2.1 Numpy

Numpy，用于矩阵运算、高维数组运算的数学计算库，下面看看简单使用

# 导入库
import numpy as np
# demo01：eye(4) 生成对角矩阵
print(np.eye(4))
1
2
3
4

Ndarray

对于它的介绍

• 一系列同类型的数据的集合
• 多维数组

import numpy as np
# 双维度
demo01 = np.array([[1, 2, 3], [4, 5, 6]])
# 最小维度 = 3
demo02 = np.array([[1, 2, 3], [4, 5, 6]], ndmin=3)
print(demo01)
print("---")
print(demo02)
# numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
1
2
3
4
5
6
7
8
9

参数的说明

关于数组属性

数据类型

举个例子

import numpy as np

# 自定义数据结构 名字 年龄 成绩
student = np.dtype([('name', 'S20'), ('age', 'int64'), ('marks', 'float64')])
print(student)
a = np.array([('cool man', 21, 50.1), ('cool girl', 18, 75.1)], dtype=student)
print(a)
1
2
3
4
5
6
7

不想过多写的常用API

import numpy as np

# 切片索引
a = np.arange(10)
s = slice(2, 7, 2)  # 从索引 2 开始到索引 7 停止，间隔为2
print(a[s])

# 静态/动态数组创建
# ...

# 深浅复制
# ...

# 迭代数组 nditer()
a = np.arange(6).reshape(2, 3)
print('原始数组是：')
print(a)
print('\n')
print('迭代输出元素：')
for x in np.nditer(a):
    print(x, end=", ")
print('\n')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

高级函数

位运算

字符串函数

数学函数

import numpy as np
# 四舍五入、三角函数
# sin()、cos()、tan()、around() 

# 加减乘除
# add()，subtract()，multiply() 和 divide()

# 统计函数
# numpy.amin() 计算数组中的元素沿指定轴的最小值
# numpy.amax() 计算数组中的元素沿指定轴的最大值
# numpy.ptp() 计算数组中元素最大值与最小值的差
# numpy.percentile() 百分位数是统计中使用的度量 表示小于这个值的观察值的百分比
# numpy.median() 计算数组 a 中元素的中位数（中值）
# numpy.mean() 返回数组中元素的算术平均值 如果提供了轴 则沿其计算
# numpy.average() 根据在另一个数组中给出的各自的权重计算数组中元素的加权平均值
# print (np.std([1,2,3,4])) 标准差
# print (np.var([1,2,3,4])) 方差

# 排序
# ...
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

线性代数

矩阵库

2.2 Pandas

待定

2.3 Matplotlib

一句话囊括：数据可视化工具，下面做一个简单的二维绘图

import matplotlib.pyplot as plt
import numpy as np

x_points = np.array([0, 6])
y_points = np.array([0, 100])

plt.plot(x_points, y_points)
plt.show()
1
2
3
4
5
6
7
8

实际效果如下

为了把兴趣提起来，把三维也玩一下

import numpy as np
import matplotlib.pyplot as plt

# 求向量积(outer()方法又称外积)
x = np.outer(np.linspace(-2, 2, 30), np.ones(30))
# 矩阵转置
y = x.copy().T
# 数据z
z = np.cos(x ** 2 + y ** 2)
# 绘制曲面图
fig = plt.figure()
ax = plt.axes(projection='3d')
# 调用plot_surface()函数
ax.plot_surface(x, y, z, cmap='viridis', edgecolor='none')
ax.set_title('Surface plot')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

实际效果如下

1

1

2.4 Statsmodels

待定

2.5 Scikit-learn

三、算法实践

提示：这里可以添加本文要记录的大概内容

1

1

四、Java业务集成

提示：这里可以添加本文要记录的大概内容

1

1

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容。