监督机器学习：监督学习书的第一部分详细介绍了

MLOps 工程师 Andrew：

机器学习简明：监督学习

本书的第一部分详细介绍了监督学习。我们将解释大部分术语——人工智能、数据科学、机器学习、深度学习、梯度下降、线性回归、过拟合和欠拟合、偏差和方差误差、基础扩展和正则化。本书的第二部分尚未出版，但将涵盖所有已知的算法记忆的基本过程是编码，包括 logit 模型、max-margin 模型、贝叶斯模型、集成模型（boosting/bagging）、基于树的模型和评估指标。

监督机器学习问题的典型流程。第 1 步和第 2 步负责提取和准备数据，第 3 步负责构建机器学习模型（本书的其余部分将详细介绍此过程中的步骤），第 4 步负责部署模型。在一个小项目中，一个人可能能够完成所有任务。但是，在大型项目中，步骤 I 和 II 可能由数据科学专家执行，步骤 III 可能由数据科学家或机器学习操作执行，或者 MLOps 工程师执行，步骤 IV 可能由 MLOps 工程师执行。

基础人工智能：基础人工智能是人工智能的最简单形式。它不会形成对过去经历的记忆来影响现在或未来的决定。换句话说，它不会学习，它只是对当前存在的条件做出反应。基本人工智能通常使用一组由人类编码的预定义简单规则。Basic AI 的一个例子就是上面提到的智能电梯。

有限的人工智能：有限的人工智能系统需要大量信息或数据来做出决策。这样做的好处是他们可以在没有明确编程的情况下做出决定。上面讨论的垃圾邮件检测器是有限人工智能的一个例子——垃圾邮件检测器学习规则以根据已知是否为垃圾邮件的电子邮件数据集来预测电子邮件是否为垃圾邮件。（通常，人类必须提供这些机器学习的标签。）机器学习是有限人工智能的主要和最著名的例子，垃圾邮件检测器是监督机器学习的一个例子，我们将在下一节讨论。

高级人工智能：高级人工智能系统将具有人类智能。例如，他们将能够驾驶您的汽车、识别您的脸、与其他人交谈、了解他们的情绪并执行任何聪明人可以完成的任务。这些系统通常被描述为计算“大脑”。

超级智能：超级智能人工智能系统将拥有远远超过人类能力的智能。

本书详细介绍了数据准备和模型构建块——图 1.2 的步骤 II 和 III。本书也分为两部分。在第一部分，您将学习机器学习的基础知识，在第二部分，您将学习更复杂的机器学习算法的细节。

本书分为这两部分有一个非常重要的原因。很多时候，人们听到某些强大的机器学习算法（如支持向量机、神经网络或增强决策树）的名称，就会对它们着迷。他们渴望学习复杂的算法。可以想象，如果他们不先学习简单的模型，就很难学习复杂的模型。但是，您可能没有意识到，大多数 ML 模型都存在一些常见问题和困难（如过度拟合），您将在下一章中了解这些问题。

因此，尽管立即深入研究特定算法可能很诱人，但您应该花时间了解 ML 世界的高级图片以及它所基于的基本原理的所有细节（例如，从数学角度看来，算法实际上是如何工作的？从数据中学习）。这有点像用封面上的图片拼图；当然，您可以在没有图像的情况下完成拼图记忆的基本过程是编码，但是会花费更长的时间，并且您可能会犯很多错误。一旦掌握了 ML 的基础知识，您就会对这些常见问题有一个清晰的认识，并且无论您针对具体问题使用哪种学习算法，您都将能够理解如何避免常见的陷阱。

目录内容：

1. 简介

2. 监督学习概述

3. 模型学习

4. 基本扩展和正则化

5. 模型选择

6. 特征选择

7. 数据准备

如何获得电子书

知识图谱 AI 大本营

知识图谱人工智能大本营是一个学术平台，用于追踪、解释、讨论和报告知识图谱、深度学习、机器学习等人工智能前沿成果。

喜欢这个的人也喜欢