- 影响人工智能发展的重要因素：计算能力、数据大小、算法发展
- 使用场景：无人驾驶的场景识别、图片艺术化、医用彩超辨别、需求销量等数据预测
- 机器学习领域：自然语言处理、图像识别、传统预测
- 机器学习库和框架：scikit learn（机器学习）、tensorflow（深度学习）
- 书籍：统计学习方法、机器学习、python数据分析与挖掘实战、机器学习系统设计、面向机器智能tensorflow实践
- 课程概要：特征工程、模型策略优化、分类回归聚类、tensorflow、神经网络、图像识别、自然语言处理
最后一问结果是99.99999,是对的吗
：
数学基础复习：
一、微分(上)
（1）O(n) o(n)
order---多项式的阶
f(x)=O(g(x))：
f(x)=o(g(x))：
（2）
特征函数与中心极限定理没看懂
贝叶斯学派
逆概率
pxy = px * py 独立
若不独立
条件概率
P(x|y) = P(xy) /P(y)
提升：
梯度提升
特征选择：方差过滤
```python
from sklearn.feature_selection import VarianceThreshold #特征选择，根据方差进行过滤
def var():
'''
特征选择-选择低方差的特征
:return:None
'''
var=VarianceThreshold(threshold=1.0)#保留方差值为1的数值
data=var.fit_transform([[0,2,0,3],[0,1,4,3],[0,1,1,3]])#三行四列的二维数组
print(data)
return None
if __name__=='__main__': #调用
var()
```
PCA:主成分分析
把维度降低，但是数据信息尽可能不损耗
文本特征分类功能：
1、文本特征抽取：count
文本分类----如每天的文献分类/文章的分类
2、tf idf:
2.1 tf:term frequency:词的频率 出现的次数（类似count）
2.2 idf:逆文档频率inverse document frequency
log(总文档数量/该词出现的文档数量）
例：log(数值)：输入的数值越小，结果越小
tf*idf 重要性
文本特征抽取：Count
功能：
文本分类
情感分析
默认对于单个英文字母或者单词：没有不统计
词组分类器：jie'ba
特征抽取：特征值化
字典数据特征抽取：对字典数据进行特征值化
DictVectorizer语法：
字典数据抽取:将字典中的一些类别数据，分别转换成一些数值。
数组形式：有类别的这些特征，先要转换字典数据
pandas数据处理
：缺失值，数据转换，重复值（不用处理)
sklearn：对特征进行处理
特征值（具体特征：身高/体重）->目标值（具体要达到的目的：如区分男女）
数据预处理
深度学习需要的是标准的正方形图片
（1）image resize
（2）Data Argumentation
（3）Normalize
（4）to tensor
自定义数据集实战
test数据量太小的话，测试结果波动较大，所以我们为了保证测试的效果，会把测试集的数据多分配一些
1、load data ——比较重要的模型；
继承一个通用的母类
inherit from torch.utils.data.Dataset
要定一个两个函数
_len_：数据量
_getitiem_：能够得到指定的样本
2、build model——在我们已经定义好的模型上做一些修改；
3、train and test
4、transfer learning
情感分类实战
Google CoLab
（1）continuous 12 hours；
（2）free K80 for GPU；
（3）不需要爬墙
LSTM使用方法
LSTMcell更为灵活的使用方法，可以自定义喂数据的方式
