机器学习1之基础

1.典型应用

    股价预测、推荐引擎、自然语言识别、语音识别、图像识别、人脸识别

2.机器学习的基本问题

1)回归问题：根据已知的输入和输出寻找某种性能最佳的模型，将未知输出的输入代入模型，得到连续的输出。

2)分类问题：根据已知的输入和输出寻找某种性能最佳的模型，将未知输出的输入代入模型，得到离散的输出。

3)聚类问题：根据已知输入的相似程度，将其划分为不同的群落。

3.基本步骤

数据处理

1. 数据收集 （数据检索mysql，redis、数据挖掘hadoop hive、爬虫）

2. 数据清洗

3. 特征工程

机器学习

1. 选择模型 （算法）

2. 训练模型 （算法）

3. 评估模型 （工具、框架、算法知识）

4. 测试模型

业务运维

1. 应用模型

2. 维护模型

4.数据预处理

# 数据预处理
# 解决机器学习问题的科学计算工具包
import sklearn.preprocessing as sp
import numpy as np

# 标准化（均值为0，标准差为1，均值移除）
sample = np.array([[17., 100., 4000],