机器学习+深度学习笔记.pdf

知识点一：人工智能实现方法 人工智能的实现方法主要有两种：符号学习（Symbolic learning）和机器学习（Machine learning）。符号学习是基于规则的方法，通过对规则的学习和应用来实现智能行为，这种方法需要专家进行规则的编写和调整。而机器学习则是通过让计算机从数据中学习规律和模式，进而进行预测和决策，这种方法不需要专家的干预。 知识点二：开发环境配置 在进行机器学习和深度学习的学习和研究中，Python是最常使用的编程语言。Anaconda是一个开源的Python发行版本，其包含了Python和许多用于科学计算的库和工具。Jupyter Notebook是一个交互式的计算环境，可以让我们更方便地编写和运行Python代码，并查看结果。 在安装Python和Anaconda后，建议为每个项目新建一个开发环境，以避免不同项目之间的冲突。创建和激活新环境的命令分别是：conda create -n env_name和conda activate env_name。在新建的环境中安装Jupyter Notebook即可完成环境配置。 知识点三：Jupyter Notebook界面优化 Jupyter Notebook默认的主题显示效果并不理想，我们可以通过导入新主题来改善。我们需要访问***，找到安装命令pip install jupyterthemes或conda install -c conda-forge jupyterthemes，在当前环境的命令行下使用pip或conda对应的命令安装该主题包。由于安装过程可能会比较慢，我们可以使用一些国内的源进行加速，如阿里云、清华大学等。安装完成后，我们可以通过命令jt -t主题名来改变主题。 知识点四：开始编码 在Jupyter Notebook中，我们可以点击右上角的new新建一个Python文件，然后在file中重命名，即可使用markdown编辑除代码外的内容。在代码的编写过程中，换行需要在该行结尾处多打两个或以上空格。使用markdown编辑完成后，运行该cell即可显示运行结果，ctrl+回车即可快速运行选中cell。 知识点五：Python的基础语法及Pandas、Numpy、Matplotlib实操 Python的基础语法是进行机器学习和深度学习的基础。Pandas是一个强大的数据分析工具库，Numpy是一个数值计算库，Matplotlib是Python的绘图库，可以帮助我们更好地理解数据。 在使用matplotlib进行绘图时，首先需要导入matplotlib，并导入需要的matplotlib下的对应子包。创建并初始化图对象（包含指定图大小等初始化操作），然后使用子包方法指定图像名称，使用给定坐标及子包相应方法绘图，最后使用子包方法展示图像。 例如，使用Matplotlib画个折线图，首先需要导入matplotlib和pyplot，并生成图的实例，指定图名称，给定各点坐标，然后使用plt.plot绘制图像。如果要绘制散点图，只需要将plt.plot改成plt.scatter即可。 知识点六：国内源的使用 在Python的包管理工具pip中，由于网络原因，下载速度可能会非常慢，这时我们可以选择使用国内源进行加速。例如，我们可以将pip的源修改为阿里云、清华大学等国内源，修改源的方法是在原来的语句前加上-i，并加上源的地址。例如，pip install jupyterthemes修改后变成pip install jupyterthemes -i ***。这样，就可以在国内源中下载我们需要的包，从而提高下载速度。