机器学习实战读书笔记（序）

这本机器学习实战，年前也曾经看过并实现了其中几章的内容，但不够系统，打算趁这个暑假，再系统的过上一遍，并做好笔记。

1.机器学习能让我们自数据集中受到启发，即我们会利用计算机来彰显数据背后的真实含义。经典应用领域：人脸识别、手写数字识别、垃圾邮件过滤、购物网站产品推荐。机器学习是一个把无序的数据转换成有用信息的过程。

2.监督学习：数据有类别信息和给定的目标值。在监督学习中，如果其主要任务是将实例数据划分到合适的分类中，称为分类；如果其主要用于预测数值型数据，称为回归。

无监督学习：此时数据没有类别信息、也不会给定目标值。在无监督学习中，如果数据集合是由多个类似的对象组成的话，称为聚类；如果是寻找描述数据统计值的过程，则称为密度估计。

3.常见的监督学习算法：KNN（K近邻算法）、LR（线性回归）、Naïve Bayesian（朴素贝叶斯）、局部加权线性回归、SVM（支持向量机）、Ridge回归、决策树、Lasso最小回归系数估计等。

常见的无监督学习算法：K-means（K均值）、EM（最大期望算法）、DBSCAN等。

4.如何选择合适的算法？

（1）首选考虑使用机器学习算法的目的。
（2）其次需要了解数据的特性。

5.开发机器学习应用程序的步骤：

（1）收集数据。
（2）准备输入数据。
（3）分析输入数据。
（4）训练算法。
（5）测试算法。
（6）将算法应用到实际场景中。