机器学习用python还是R，哪个更好？

我们从不同维度分析一下两者的优势和劣势。

生态系统和库的支持

Python在机器学习领域拥有广泛而丰富的生态系统，其中最著名的机器学习库包括Scikit-learn、TensorFlow、PyTorch和Keras等。这些库提供了丰富的工具和算法，可以适应各种任务，从简单的分类和回归到复杂的深度学习模型。而R也有一些机器学习库，如caret和mlr，但相对Python来说生态系统较小。

社区支持

Python的机器学习社区庞大活跃，你可以很容易地找到解决问题的答案、教程和资源。R的社区也是活跃的，但规模不如Python。Python在全球范围内的使用更广泛~

学习曲线和易用性

Python被认为比R更易学和易用，因为其语法更接近自然语言，适合初学者。R的语法在数据分析方面可能更具表达力，但可能需要更多时间来熟悉。

数据处理和清洗

Python的Pandas库在数据处理和清洗方面表现出色，可以进行灵活而高效的数据操作。这在机器学习前的数据准备阶段非常重要。

当然，R在统计分析方面更为突出，可视化领域R的ggplot2也很优秀。

结论

对于机器学习Python和R都有各自的优势，因为它们都有大量的库。如果你能很好的掌握两种语言是最好的。比如用Python作前期阶段的数据处理工作，之后用R进行分析处理。

入门机器学习和深度强化学习，优先推荐两本书。

《统计学习方法》(Statistical Learning Methods) by 李航

这本书是机器学习领域的经典教材，对于入门学习机器学习基本算法和理论非常有帮助。它涵盖了监督学习、、无监督学习、半监督学习等内容，深入浅出地介绍了各种机器学习算法的原理和应用。这本书适合初学者，尤其是对统计学习方法感兴趣的学生。

《深度强化学习》(Deep Reinforcement Learning) by Richard Sutton and Andrew Barto

这是一本关于深度强化学习的经典教材，由深度强化学习领域的两位权威人物撰写。该书全面介绍了强化学习的基本概念和算法，并详细解释了深度强化学习的原理和方法。它适合已经有一定机器学习和编程基础的学生，想深入学习深度强化学习的原理和应用。

今天和我一起了解下机器学习工作流程&算法分类。

课程在前：

学习目标

• 了解机器学习的定义
• 知道机器学习的工作流程
• 掌握获取到的数据集的特性
• 了解机器学习常用算法的分类

一、什么是机器学习

机器学习是从 数据 中 自动分析获得模型 ，并利用 模型 对未知数据进行预测。

二、 机器学习工作流程

• 机器学习工作流程总结
• 1.获取数据
• 2.数据基本处理
• 3. 特征工程
• 4.机器学习(模型训练)
• 5. 模型评估
• 结果达到要求，上线服务
• 没有达到要求，重新上面步骤

2.1 获取到的数据集介绍

数据简介
在数据集中一般：

• 一行数据我们称为一个 样本
• 一列数据我们成为一个 特征
• 有些数据有 目标值（标签值） ，有些数据没有目标值（如上表中，电影类型就是这个数据集的目标值）
• 数据类型构成：
  
• 数据类型一：特征值+目标值（目标值是连续的和离散的）
• 数据类型二：只有特征值，没有目标值
• 数据分割：
  
• 机器学习一般的数据集会划分为两个部分：
• 训练数据：用于训练， 构建模型
• 测试数据：在模型检验时使用，用于 评估模型是否有效
• 划分比例：
• 训练集：70% 80% 75%
• 测试集：30% 20% 25%

2.2 数据基本处理

​ 即对数据进行缺失值、去除异常值等处理

2.3 特征工程

2.3.1什么是特征工程

特征工程是使用 专业背景知识和技巧处理数据 ， 使得特征能在机器学习算法上发挥更好的作用的过程 。

• 意义：会直接影响机器学习的效果

2.3.2 为什么需要特征工程(Feature Engineering)

机器学习领域的大神Andrew Ng( 吴恩达 )老师说“Coming up with features is difficult, time-consuming, requires expert knowledge. “Applied machine learning” is basically feature engineering. ”
注：业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。

2.3.3 特征工程包含内容

• 特征提取
• 特征预处理
• 特征降维

2.3.4 各概念具体解释

• 特征提取
  
• 将任意数据（如文本或图像）转换为可用于机器学习的数字特征

• 特征预处理
• 通过 一些转换函数 将特征数据 转换成更加适合算法模型 的特征数据过程

• 特征降维
• 指在某些限定条件下， 降低随机变量(特征)个数 ，得到 一组“不相关”主变量 的过程

2.4 机器学习

选择合适的算法对模型进行训练 （具体内容见1.5）

2.5 模型评估

对训练好的模型进行评估 （具体内容见1.6）

拓展阅读：

完整机器学习项目的流程

三、小结

• 机器学习定义【掌握】
• 机器学习是从 数据 中 自动分析获得模型 ，并利用 模型 对未知数据进行预测
• 机器学习工作流程总结【掌握】
• 1.获取数据
• 2.数据基本处理
• 3.特征工程
• 4.机器学习(模型训练)
• 5.模型评估
• 结果达到要求，上线服务
• 没有达到要求，重新上面步骤
• 获取到的数据集介绍【掌握】
• 数据集中一行数据一般称为一个样本，一列数据一般称为一个特征。
• 数据集的构成：
• 由特征值+目标值（部分数据集没有）构成
• 为了模型的训练和测试，把数据集分为：
• 训练数据（70%-80%）和测试数据（20%-30%）
• 特征工程包含内容【了解】
• 特征提取
• 特征预处理
• 特征降维

根据 数据集组成不同 ，可以把机器学习算法分为：

• 监督学习
• 无监督学习
• 半监督学习
• 强化学习

四、监督学习

• 定义：
  
• 输入数据是由输入特征值和目标值所组成。
• 函数的输出可以是一个连续的值(称为回归），
• 或是输出是有限个离散值（称作分类）。

4.1 回归问题

例如：预测房价，根据样本集拟合出一条 连续曲线 。

4.2 分类问题

例如：根据肿瘤特征判断良性还是恶性，得到的是结果是“良性”或者“恶性”，是离散的。

五、无监督学习

• 定义：
• 输入数据是由输入特征值组成，没有目标值
• 输入数据没有被标记，也没有确定的结果。样本数据类别未知；
• 需要根据样本间的相似性对样本集进行类别划分。

举例：
​

• 有监督，无监督算法对比：
  

六、半监督学习

• 定义：
• 训练集同时包含有标记样本数据和未标记样本数据。

举例：

• 监督学习训练方式：
  

• 半监督学习训练方式

七、强化学习

• 定义：
• 实质是make decisions 问题，即自动进行决策，并且可以做连续决策。

举例：
小孩想要走路，但在这之前，他需要先站起来，站起来之后还要保持平衡，接下来还要先迈出一条腿，是左腿还是右腿，迈出一步后还要迈出下一步。
小孩就是 agent ，他试图通过采取 行动 （即行走）来操纵 环境 （行走的表面），并且从 一个状态转变到另一个状态 （即他走的每一步），当他完成任务的子任务（即走了几步）时，孩子得到 奖励 （给巧克力吃），并且当他不能走路时，就不会给巧克力。
主要包含五个元素：agent, action, reward, environment, observation；

强化学习的目标就是 获得最多的累计奖励 。
监督学习和强化学习的对比

拓展概念：什么是 独立同分布 ：
独立同分布概念
拓展阅读：Alphago进化史 漫画告诉你Zero为什么这么牛：
http:// sports.sina.com.cn/ches s/weiqi/2017-10-21/doc-ifymyyxw4023875.shtml

八、总结